
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt  
%matplotlib inline


df_final = pd.read_excel(r"C:\Users\evahr\Downloads\TFM-idealista\dataset_final.xlsx")


df_final.shape

(4418, 34)


def count_plot(col, target, data):
    counts = (joined_df[[target, col]]
                  .groupby([target, col])
                  .size()
                  .unstack(target)
             )
    group_counts = counts.sum(axis='columns')
    print(group_counts.sort_values(ascending=False).head(20))
    print()


def column_plot(col, target, data, ax=None):
    counts = (joined_df[[target, col]]
                  .groupby([target, col])
                  .size()
                  .unstack(target)
             )
    group_counts = counts.sum(axis='columns')
    props = counts.div(group_counts, axis='index')

    props.plot(kind="bar", stacked=False, ax=ax)
    ax.legend().remove()


df_final.head()


df_final.columns

Index(['AÑO', 'MES_NUM', 'AÑO_MES', 'FECHA', 'PRECIO M2', 'VARIACIÓN MENSUAL',
       'VARIACIÓN TRIMESTRAL', 'VARIACIÓN ANUAL', 'DISTRITO', 'LATITUD',
       'LONGITUD', 'SHAPE_LENG', 'SHAPE_AREA', 'RANKING', 'VULNERABILIDAD',
       'PRECIO_M2_DIST', 'EURIBOR', 'TRANSACCIONES_CM', 'INDICE_PRECIO',
       'TOTAL_HIPOTECAS', 'CAPITAL_TOTAL_HIPOTECAS', 'POBLACION_ACTIVA',
       'RENTA_MEDIA_HOGAR', 'POBLACION', 'ESPERANZA_VIDA', 'PARO_REGISTRADO',
       'PRECIO_ALQUILER_M2', 'PRECIO_VENTA_M2', 'VIVIENDAS_COMPRAVENTA',
       'EJECUCIONES_HIPOTECARIAS', 'IPV_VIVIENDA_NUEVA', 'TRANSACCIONES_SUELO',
       'PRECIO_MEDIO_M2_CCMM', 'VALOR_TRANSACCIONES_SUELO'],
      dtype='object')


# Contar tipos de variables
print(df_final.dtypes.value_counts())

float64           23
object             6
int64              4
datetime64[ns]     1
Name: count, dtype: int64


df_final.shape

(4418, 34)


cat_cols = df_final.select_dtypes(include='object').columns
num_cols = df_final.select_dtypes(include=['int64', 'float64']).columns
datetime_cols = df_final.select_dtypes(include=['datetime64[ns]']).columns

print("Categóricas:", cat_cols.tolist())
print("Numéricas:", num_cols.tolist())
print("Datetime:", datetime_cols.tolist())

Categóricas: ['AÑO_MES', 'VARIACIÓN MENSUAL', 'VARIACIÓN TRIMESTRAL', 'VARIACIÓN ANUAL', 'DISTRITO', 'LATITUD']
Numéricas: ['AÑO', 'MES_NUM', 'PRECIO M2', 'LONGITUD', 'SHAPE_LENG', 'SHAPE_AREA', 'RANKING', 'VULNERABILIDAD', 'PRECIO_M2_DIST', 'EURIBOR', 'TRANSACCIONES_CM', 'INDICE_PRECIO', 'TOTAL_HIPOTECAS', 'CAPITAL_TOTAL_HIPOTECAS', 'POBLACION_ACTIVA', 'RENTA_MEDIA_HOGAR', 'POBLACION', 'ESPERANZA_VIDA', 'PARO_REGISTRADO', 'PRECIO_ALQUILER_M2', 'PRECIO_VENTA_M2', 'VIVIENDAS_COMPRAVENTA', 'EJECUCIONES_HIPOTECARIAS', 'IPV_VIVIENDA_NUEVA', 'TRANSACCIONES_SUELO', 'PRECIO_MEDIO_M2_CCMM', 'VALOR_TRANSACCIONES_SUELO']
Datetime: ['FECHA']


# Convertir variables numéricas int a float
df_final[num_cols] = df_final[num_cols].astype(float)


# Contar tipos de variables
print(df_final.dtypes.value_counts())

float64           27
object             6
datetime64[ns]     1
Name: count, dtype: int64


df_final.dtypes

AÑO                                 float64
MES_NUM                             float64
AÑO_MES                              object
FECHA                        datetime64[ns]
PRECIO M2                           float64
VARIACIÓN MENSUAL                    object
VARIACIÓN TRIMESTRAL                 object
VARIACIÓN ANUAL                      object
DISTRITO                             object
LATITUD                              object
LONGITUD                            float64
SHAPE_LENG                          float64
SHAPE_AREA                          float64
RANKING                             float64
VULNERABILIDAD                      float64
PRECIO_M2_DIST                      float64
EURIBOR                             float64
TRANSACCIONES_CM                    float64
INDICE_PRECIO                       float64
TOTAL_HIPOTECAS                     float64
CAPITAL_TOTAL_HIPOTECAS             float64
POBLACION_ACTIVA                    float64
RENTA_MEDIA_HOGAR                   float64
POBLACION                           float64
ESPERANZA_VIDA                      float64
PARO_REGISTRADO                     float64
PRECIO_ALQUILER_M2                  float64
PRECIO_VENTA_M2                     float64
VIVIENDAS_COMPRAVENTA               float64
EJECUCIONES_HIPOTECARIAS            float64
IPV_VIVIENDA_NUEVA                  float64
TRANSACCIONES_SUELO                 float64
PRECIO_MEDIO_M2_CCMM                float64
VALOR_TRANSACCIONES_SUELO           float64
dtype: object


df_final.describe()


df_final.describe(exclude=np.number)


df_final.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 34 columns):
 #   Column                     Non-Null Count  Dtype         
---  ------                     --------------  -----         
 0   AÑO                        4418 non-null   float64       
 1   MES_NUM                    4418 non-null   float64       
 2   AÑO_MES                    4418 non-null   object        
 3   FECHA                      4418 non-null   datetime64[ns]
 4   PRECIO M2                  4418 non-null   float64       
 5   VARIACIÓN MENSUAL          4418 non-null   object        
 6   VARIACIÓN TRIMESTRAL       4418 non-null   object        
 7   VARIACIÓN ANUAL            4418 non-null   object        
 8   DISTRITO                   4418 non-null   object        
 9   LATITUD                    4418 non-null   object        
 10  LONGITUD                   4418 non-null   float64       
 11  SHAPE_LENG                 4418 non-null   float64       
 12  SHAPE_AREA                 4418 non-null   float64       
 13  RANKING                    756 non-null    float64       
 14  VULNERABILIDAD             756 non-null    float64       
 15  PRECIO_M2_DIST             3789 non-null   float64       
 16  EURIBOR                    4418 non-null   float64       
 17  TRANSACCIONES_CM           4418 non-null   float64       
 18  INDICE_PRECIO              4357 non-null   float64       
 19  TOTAL_HIPOTECAS            4398 non-null   float64       
 20  CAPITAL_TOTAL_HIPOTECAS    4398 non-null   float64       
 21  POBLACION_ACTIVA           4418 non-null   float64       
 22  RENTA_MEDIA_HOGAR          1920 non-null   float64       
 23  POBLACION                  4294 non-null   float64       
 24  ESPERANZA_VIDA             4294 non-null   float64       
 25  PARO_REGISTRADO            1554 non-null   float64       
 26  PRECIO_ALQUILER_M2         3789 non-null   float64       
 27  PRECIO_VENTA_M2            4168 non-null   float64       
 28  VIVIENDAS_COMPRAVENTA      4398 non-null   float64       
 29  EJECUCIONES_HIPOTECARIAS   2835 non-null   float64       
 30  IPV_VIVIENDA_NUEVA         4357 non-null   float64       
 31  TRANSACCIONES_SUELO        4357 non-null   float64       
 32  PRECIO_MEDIO_M2_CCMM       4357 non-null   float64       
 33  VALOR_TRANSACCIONES_SUELO  4357 non-null   float64       
dtypes: datetime64[ns](1), float64(27), object(6)
memory usage: 1.1+ MB


df_final.nunique()

AÑO                            19
MES_NUM                        12
AÑO_MES                       218
FECHA                         218
PRECIO M2                    2617
VARIACIÓN MENSUAL             121
VARIACIÓN TRIMESTRAL          193
VARIACIÓN ANUAL               427
DISTRITO                       21
LATITUD                        21
LONGITUD                       21
SHAPE_LENG                     21
SHAPE_AREA                     21
RANKING                        21
VULNERABILIDAD                 59
PRECIO_M2_DIST                472
EURIBOR                       199
TRANSACCIONES_CM              215
INDICE_PRECIO                  72
TOTAL_HIPOTECAS               213
CAPITAL_TOTAL_HIPOTECAS       217
POBLACION_ACTIVA               73
RENTA_MEDIA_HOGAR             160
POBLACION                    3697
ESPERANZA_VIDA                 66
PARO_REGISTRADO              1461
PRECIO_ALQUILER_M2            472
PRECIO_VENTA_M2              2527
VIVIENDAS_COMPRAVENTA         206
EJECUCIONES_HIPOTECARIAS       43
IPV_VIVIENDA_NUEVA             72
TRANSACCIONES_SUELO            67
PRECIO_MEDIO_M2_CCMM           71
VALOR_TRANSACCIONES_SUELO      72
dtype: int64


def resumen_nulos(df: pd.DataFrame) -> pd.DataFrame:
    total = len(df)
    nulos = df.isna().sum()
    pct = (nulos / total * 100).round(2)
    resumen = (
        pd.DataFrame({"n_nulos": nulos, "%_nulos": pct})
        .sort_values("%_nulos", ascending=False)
        .reset_index()
        .rename(columns={"index": "columna"})
    )
    return resumen

# Uso:
res = resumen_nulos(df_final)
print(f"Filas totales: {len(df_final):,}".replace(",", "."))
res

Filas totales: 4.418


!pip install seaborn

Requirement already satisfied: seaborn in c:\users\evahr\anaconda3\envs\master\lib\site-packages (0.13.2)
Requirement already satisfied: numpy!=1.24.0,>=1.20 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from seaborn) (2.2.0)
Requirement already satisfied: pandas>=1.2 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from seaborn) (2.3.1)
Requirement already satisfied: matplotlib!=3.6.1,>=3.4 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from seaborn) (3.10.5)
Requirement already satisfied: contourpy>=1.0.1 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (1.3.3)
Requirement already satisfied: cycler>=0.10 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (0.12.1)
Requirement already satisfied: fonttools>=4.22.0 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (4.59.0)
Requirement already satisfied: kiwisolver>=1.3.1 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (1.4.8)
Requirement already satisfied: packaging>=20.0 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (25.0)
Requirement already satisfied: pillow>=8 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (11.3.0)
Requirement already satisfied: pyparsing>=2.3.1 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (3.2.3)
Requirement already satisfied: python-dateutil>=2.7 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (2.9.0.post0)
Requirement already satisfied: pytz>=2020.1 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from pandas>=1.2->seaborn) (2025.2)
Requirement already satisfied: tzdata>=2022.7 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from pandas>=1.2->seaborn) (2025.2)
Requirement already satisfied: six>=1.5 in c:\users\evahr\anaconda3\envs\master\lib\site-packages (from python-dateutil>=2.7->matplotlib!=3.6.1,>=3.4->seaborn) (1.17.0)


import seaborn as sns
sns.heatmap(df_final.isnull(), cbar=False, cmap='viridis')
plt.show()


# Seleccionar solo columnas de tipo int o float
numeric_df = df_final.select_dtypes(include=['int', 'float'])

# Calcular la matriz de correlación
numeric_df.corr()


corr = df_final.select_dtypes(include=['number']).corr()
corr_3d = corr.round(3)     # 3 decimales
corr_3d


corr.to_excel(r"C:\Users\evahr\Downloads\correlación.xlsx", index=False)


#plt.figure(figsize=(10, 6))
#sns.heatmap(df_final[num_cols].corr(), annot=True, cmap='coolwarm')
#plt.title("Matriz de correlación")
#plt.show()


num = (df_final
       .select_dtypes(include="number")
       .drop(columns=["DISTRITO"], errors="ignore"))

corr = num.corr()
sns.heatmap(corr, cmap="RdBu_r", vmin=-1, vmax=1, center=0)
plt.title("Matriz de correlación")
plt.show()


import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# Umbral de correlación peligrosa
thr = 0.80

# Ocultar mitad superior y correlaciones débiles
mask_upper = np.triu(np.ones_like(corr, dtype=bool))
mask_weak  = corr.abs() < thr
mask = mask_upper | mask_weak

plt.figure(figsize=(12,10), dpi=160)
sns.heatmap(corr, mask=mask, annot=True, fmt=".2f",
            vmin=-1, vmax=1, center=0, cmap="RdBu_r",
            linewidths=.5, cbar_kws={"shrink": .8})
plt.xticks(rotation=45, ha="right")
plt.yticks(rotation=0)
plt.title(f"Matriz de correlación (solo |r| ≥ {thr})")
plt.tight_layout()
plt.show()


thr = 0.30
mask_upper = np.triu(np.ones_like(corr, bool))              # mitad superior
mask_weak  = corr.abs() < thr                               # correlaciones débiles
mask = mask_upper | mask_weak                               # ocultar ambas

plt.figure(figsize=(12,10), dpi=160)
sns.heatmap(corr, mask=mask, annot=True, fmt=".2f",
            vmin=-1, vmax=1, center=0, cmap="RdBu_r",
            linewidths=.5, cbar_kws={"shrink": .8})
plt.xticks(rotation=45, ha="right"); plt.yticks(rotation=0)
plt.title(f"Matriz de correlación (anoto solo |r|≥{thr})")
plt.tight_layout(); plt.show()


sns.clustermap(
    corr, cmap="RdBu_r", vmin=-1, vmax=1, center=0,
    linewidths=.2, figsize=(11,11), dendrogram_ratio=.12,
    cbar_pos=(.02, .8, .03, .18))  # posición de la barra
plt.show()


import matplotlib.pyplot as plt
import math

# Variable principal
target = "PRECIO M2"

# Seleccionar solo las columnas numéricas
numeric_cols = df_final.select_dtypes(include="number").columns

# Quitar la variable objetivo
numeric_cols = [col for col in numeric_cols if col != target]

# Definir número de filas y columnas para la rejilla
n = len(numeric_cols)
cols = 3  # número de columnas en la rejilla
rows = math.ceil(n / cols)

# Crear figura y ejes
fig, axes = plt.subplots(rows, cols, figsize=(15, 5*rows))
axes = axes.flatten()

# Crear un scatter plot en cada subplot (PRECIO M2 en eje X)
for i, col in enumerate(numeric_cols):
    axes[i].scatter(df_final[target], df_final[col], alpha=0.5)
    axes[i].set_xlabel(target)
    axes[i].set_ylabel(col)
    axes[i].set_title(f"{target} vs {col}")

# Quitar ejes vacíos si sobran
for j in range(i+1, len(axes)):
    fig.delaxes(axes[j])

plt.tight_layout()
plt.show()


sns.regplot(data=df_final, x="RENTA_MEDIA_HOGAR", y="PRECIO M2",
            scatter_kws={'s':12, 'alpha':0.4})
plt.tight_layout(); plt.show()


df_final.select_dtypes('number').hist(figsize=(20,20), bins=30, grid=False)
plt.tight_layout(pad=2.0, w_pad=1.5, h_pad=1.8)
plt.show()


# Contar filas duplicadas
duplicados_por_fila = df_final.duplicated().sum()
print("Valores duplicados por fila:")
print(duplicados_por_fila)

Valores duplicados por fila:
0


for col in num_cols:
    plt.figure()
    sns.boxplot(data=df_final[col])
    plt.title(f'Outliers en {col}')
    plt.show()


# --- resumen de outliers por columna numérica (regla 1.5*IQR) ---
def outlier_stats_series(s: pd.Series):
    x = pd.to_numeric(s, errors='coerce').dropna()
    n = len(x)
    if n == 0:
        return 0, 0.0, 0.0, np.nan, np.nan, 0
    q1 = x.quantile(0.25)
    q3 = x.quantile(0.75)
    iqr = q3 - q1
    if iqr == 0:
        return 0, 0.0, 0.0, q1, q3, n
    lower = q1 - 1.5 * iqr
    upper = q3 + 1.5 * iqr
    count = int(((x < lower) | (x > upper)).sum())
    pct_var = (count / n) * 100
    return count, pct_var, lower, upper, n

total_filas = len(df_final)
rows = []

for col in num_cols:
    c, pct_var, lower, upper, n = outlier_stats_series(df_final[col])
    pct_total = (c / total_filas * 100) if total_filas > 0 else 0.0
    rows.append({
        'variable': col,
        'n_obs_no_nulas': n,
        'outliers': c,
        '%_sobre_variable': round(pct_var, 1),
        '%_sobre_total_filas': round(pct_total, 1)
    })

summary_df = (pd.DataFrame(rows)
              .sort_values(['%_sobre_variable','outliers'], ascending=False)
              .reset_index(drop=True))

# Muestra la tabla bonita en consola
print(summary_df.to_string(index=False))

                 variable  n_obs_no_nulas  outliers  %_sobre_variable  %_sobre_total_filas
VALOR_TRANSACCIONES_SUELO            4357       518              11.9                 11.7
     PRECIO_MEDIO_M2_CCMM            4357       466              10.7                 10.5
               SHAPE_LENG            4418       215               4.9                  4.9
               SHAPE_AREA            4418       215               4.9                  4.9
         POBLACION_ACTIVA            4418       187               4.2                  4.2
                POBLACION            4294       144               3.4                  3.3
          PARO_REGISTRADO            1554        45               2.9                  1.0
  CAPITAL_TOTAL_HIPOTECAS            4398       116               2.6                  2.6
    VIVIENDAS_COMPRAVENTA            4398       113               2.6                  2.6
           ESPERANZA_VIDA            4294       102               2.4                  2.3
                PRECIO M2            4418        88               2.0                  2.0
          TOTAL_HIPOTECAS            4398        73               1.7                  1.7
           PRECIO_M2_DIST            3789        57               1.5                  1.3
       PRECIO_ALQUILER_M2            3789        57               1.5                  1.3
       IPV_VIVIENDA_NUEVA            4357        63               1.4                  1.4
      TRANSACCIONES_SUELO            4357        63               1.4                  1.4
          PRECIO_VENTA_M2            4168        57               1.4                  1.3
                      AÑO            4418         0               0.0                  0.0
                  MES_NUM            4418         0               0.0                  0.0
                 LONGITUD            4418         0               0.0                  0.0
                  RANKING             756         0               0.0                  0.0
           VULNERABILIDAD             756         0               0.0                  0.0
                  EURIBOR            4418         0               0.0                  0.0
         TRANSACCIONES_CM            4418         0               0.0                  0.0
            INDICE_PRECIO            4357         0               0.0                  0.0
        RENTA_MEDIA_HOGAR            1920         0               0.0                  0.0
 EJECUCIONES_HIPOTECARIAS            2835         0               0.0                  0.0


df = df_final.copy()
col = 'PRECIO M2'

# --- (Opcional) filtra por año concreto ---
# df = df[df['AÑO'] == 2022]

# --- Limpieza numérica robusta para 'PRECIO M2' ---
if df[col].dtype == 'O':
    df[col] = (df[col].astype(str)
               .str.replace('.', '', regex=False)   
               .str.replace(',', '.', regex=False)  
               .str.extract(r'([-+]?\d*\.?\d+)', expand=False)
               .astype(float))

# Limpieza básica
df = df.dropna(subset=[col])
df = df[df[col] > 0]

# --- Orden de distritos por mediana de precio ---
orden = (df.groupby('DISTRITO')[col]
           .median()
           .sort_values(ascending=False)
           .index.tolist())

# --- Cálculo de atípicos por distrito (regla 1.5*IQR) ---
total_global = df[col].notna().sum()

rows = []
for d, g in df.groupby('DISTRITO'):
    x = g[col].dropna()
    n = int(x.shape[0])
    if n == 0:
        out = 0
    else:
        q1 = x.quantile(0.25)
        q3 = x.quantile(0.75)
        iqr = q3 - q1
        if iqr == 0:       
            out = 0
        else:
            lower = q1 - 1.5 * iqr
            upper = q3 + 1.5 * iqr
            out = int(((x < lower) | (x > upper)).sum())
    pct_d = (out / n * 100) if n > 0 else 0.0
    pct_g = (out / total_global * 100) if total_global > 0 else 0.0
    rows.append({
        'DISTRITO': d,
        'N_total': n,
        'N_atipicos': out,
        '%_atipicos_sobre_distrito': pct_d,
        '%_atipicos_sobre_total': pct_g
    })

resumen = (pd.DataFrame(rows)
             .set_index('DISTRITO')
             .loc[orden]               
             .reset_index())

# --- Boxplot ---
data = [df.loc[df['DISTRITO'] == d, col].values for d in orden]
plt.figure(figsize=(14, 8))
plt.boxplot(data, labels=orden, showfliers=True)
plt.title(f'{col} por distrito (boxplot) — con nº atípicos y % distrital')
plt.ylabel('€/m²')
plt.xticks(rotation=75, ha='right')

# --- Anotaciones: "n (pct_d%)" encima de cada caja ---
ax = plt.gca()
ymin, ymax = ax.get_ylim()
for i, d in enumerate(orden, start=1):
    row = resumen.loc[resumen['DISTRITO'] == d].iloc[0]
    ax.text(i, ymax, f"{int(row['N_atipicos'])} ({row['%_atipicos_sobre_distrito']:.1f}%)",
            ha='center', va='bottom', fontsize=8, rotation=90)
ax.set_ylim(ymin, ymax * 1.15)  
plt.tight_layout()
plt.show()

# --- Tabla resumen ordenada por % de atípicos sobre distrito ---
resumen_sorted = resumen.sort_values('%_atipicos_sobre_distrito', ascending=False)
print(resumen_sorted.to_string(index=False))

C:\Users\evahr\AppData\Local\Temp\ipykernel_13220\1305264832.py:62: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  plt.boxplot(data, labels=orden, showfliers=True)

           DISTRITO  N_total  N_atipicos  %_atipicos_sobre_distrito  %_atipicos_sobre_total
          Salamanca      212          12                   5.660377                0.271616
          Chamartin      213          11                   5.164319                0.248981
    Moncloa-Aravaca      215          10                   4.651163                0.226347
             Tetuan      218           8                   3.669725                0.181077
             Retiro      208           7                   3.365385                0.158443
           Chamberi      210           7                   3.333333                0.158443
Fuencarral-El Pardo      215           5                   2.325581                0.113173
          Moratalaz      190           4                   2.105263                0.090539
          Hortaleza      213           3                   1.408451                0.067904
      Ciudad Lineal      216           3                   1.388889                0.067904
             Centro      217           3                   1.382488                0.067904
            Barajas      206           2                   0.970874                0.045269
         Villaverde      208           2                   0.961538                0.045269
         Arganzuela      212           2                   0.943396                0.045269
             Latina      212           1                   0.471698                0.022635
San Blas-Canillejas      215           0                   0.000000                0.000000
  Villa De Vallecas      206           0                   0.000000                0.000000
          Vicalvaro      185           0                   0.000000                0.000000
        Carabanchel      218           0                   0.000000                0.000000
              Usera      213           0                   0.000000                0.000000
 Puente De Vallecas      216           0                   0.000000                0.000000


# Convierte celdas vacías y variantes de "n.d." en NaN
# Vacíos y "n.d." (con o sin puntos/espacios, mayúsculas/minúsculas)
dataset_final_pycaret = df_final.replace(
    {
        r'^\s*$': np.nan,                 
        r'(?i)^(?:n\.?\s*d\.?)$': np.nan  # "n.d.", "n d", "nd", "N.D.", etc.
    },
    regex=True
)

C:\Users\evahr\AppData\Local\Temp\ipykernel_14240\257074455.py:3: FutureWarning: Downcasting behavior in `replace` is deprecated and will be removed in a future version. To retain the old behavior, explicitly call `result.infer_objects(copy=False)`. To opt-in to the future behavior, set `pd.set_option('future.no_silent_downcasting', True)`
  dataset_final_pycaret = df_final.replace(


# Convierte celdas vacías y variantes de "n.d." en NaN
# Vacíos y "n.d." (con o sin puntos/espacios, mayúsculas/minúsculas)
pd.set_option('future.no_silent_downcasting', True)

patrones = {r'^\s*$': np.nan, r'(?i)^(?:n\.?\s*d\.?)$': np.nan}
dataset_final_pycaret = df_final.replace(patrones, regex=True)

# Si quieres tipos “bonitos” (Int64/Float64/string/boolean):
dataset_final_pycaret = dataset_final_pycaret.convert_dtypes()


dataset_final_pycaret.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 34 columns):
 #   Column                     Non-Null Count  Dtype         
---  ------                     --------------  -----         
 0   AÑO                        4418 non-null   Int64         
 1   MES_NUM                    4418 non-null   Int64         
 2   AÑO_MES                    4418 non-null   string        
 3   FECHA                      4418 non-null   datetime64[ns]
 4   PRECIO M2                  4418 non-null   Int64         
 5   VARIACIÓN MENSUAL          4380 non-null   Float64       
 6   VARIACIÓN TRIMESTRAL       4350 non-null   Float64       
 7   VARIACIÓN ANUAL            4163 non-null   Float64       
 8   DISTRITO                   4418 non-null   string        
 9   LATITUD                    4418 non-null   string        
 10  LONGITUD                   4418 non-null   Float64       
 11  SHAPE_LENG                 4418 non-null   Float64       
 12  SHAPE_AREA                 4418 non-null   Float64       
 13  RANKING                    756 non-null    Int64         
 14  VULNERABILIDAD             756 non-null    Float64       
 15  PRECIO_M2_DIST             3789 non-null   Float64       
 16  EURIBOR                    4418 non-null   Float64       
 17  TRANSACCIONES_CM           4418 non-null   Int64         
 18  INDICE_PRECIO              4357 non-null   Float64       
 19  TOTAL_HIPOTECAS            4398 non-null   Int64         
 20  CAPITAL_TOTAL_HIPOTECAS    4398 non-null   Int64         
 21  POBLACION_ACTIVA           4418 non-null   Float64       
 22  RENTA_MEDIA_HOGAR          1920 non-null   Float64       
 23  POBLACION                  4294 non-null   Int64         
 24  ESPERANZA_VIDA             4294 non-null   Float64       
 25  PARO_REGISTRADO            1554 non-null   Int64         
 26  PRECIO_ALQUILER_M2         3789 non-null   Float64       
 27  PRECIO_VENTA_M2            4168 non-null   Int64         
 28  VIVIENDAS_COMPRAVENTA      4398 non-null   Int64         
 29  EJECUCIONES_HIPOTECARIAS   2835 non-null   Int64         
 30  IPV_VIVIENDA_NUEVA         4357 non-null   Float64       
 31  TRANSACCIONES_SUELO        4357 non-null   Int64         
 32  PRECIO_MEDIO_M2_CCMM       4357 non-null   Float64       
 33  VALOR_TRANSACCIONES_SUELO  4357 non-null   Float64       
dtypes: Float64(17), Int64(13), datetime64[ns](1), string(3)
memory usage: 1.3 MB


# Probar solo latitud - convertir a float64
s = dataset_final_pycaret['LATITUD'].astype(str).str.strip()

# Normaliza separadores y limpia basura
#s = (s.str.replace('\u00A0', '', regex=False)  
#       .str.replace('\u202f', '', regex=False)  
#       .str.replace(' ', '', regex=False)
#       .str.replace(',', '.', regex=False)      
#       .str.replace(r'[^\d\.\-]', '', regex=True))  

# Convierte a número
dataset_final_pycaret['LATITUD'] = pd.to_numeric(s, errors='coerce').astype('Float64')


dataset_final_pycaret.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 34 columns):
 #   Column                     Non-Null Count  Dtype         
---  ------                     --------------  -----         
 0   AÑO                        4418 non-null   Int64         
 1   MES_NUM                    4418 non-null   Int64         
 2   AÑO_MES                    4418 non-null   string        
 3   FECHA                      4418 non-null   datetime64[ns]
 4   PRECIO M2                  4418 non-null   Int64         
 5   VARIACIÓN MENSUAL          4380 non-null   Float64       
 6   VARIACIÓN TRIMESTRAL       4350 non-null   Float64       
 7   VARIACIÓN ANUAL            4163 non-null   Float64       
 8   DISTRITO                   4418 non-null   string        
 9   LATITUD                    4418 non-null   Float64       
 10  LONGITUD                   4418 non-null   Float64       
 11  SHAPE_LENG                 4418 non-null   Float64       
 12  SHAPE_AREA                 4418 non-null   Float64       
 13  RANKING                    756 non-null    Int64         
 14  VULNERABILIDAD             756 non-null    Float64       
 15  PRECIO_M2_DIST             3789 non-null   Float64       
 16  EURIBOR                    4418 non-null   Float64       
 17  TRANSACCIONES_CM           4418 non-null   Int64         
 18  INDICE_PRECIO              4357 non-null   Float64       
 19  TOTAL_HIPOTECAS            4398 non-null   Int64         
 20  CAPITAL_TOTAL_HIPOTECAS    4398 non-null   Int64         
 21  POBLACION_ACTIVA           4418 non-null   Float64       
 22  RENTA_MEDIA_HOGAR          1920 non-null   Float64       
 23  POBLACION                  4294 non-null   Int64         
 24  ESPERANZA_VIDA             4294 non-null   Float64       
 25  PARO_REGISTRADO            1554 non-null   Int64         
 26  PRECIO_ALQUILER_M2         3789 non-null   Float64       
 27  PRECIO_VENTA_M2            4168 non-null   Int64         
 28  VIVIENDAS_COMPRAVENTA      4398 non-null   Int64         
 29  EJECUCIONES_HIPOTECARIAS   2835 non-null   Int64         
 30  IPV_VIVIENDA_NUEVA         4357 non-null   Float64       
 31  TRANSACCIONES_SUELO        4357 non-null   Int64         
 32  PRECIO_MEDIO_M2_CCMM       4357 non-null   Float64       
 33  VALOR_TRANSACCIONES_SUELO  4357 non-null   Float64       
dtypes: Float64(18), Int64(13), datetime64[ns](1), string(2)
memory usage: 1.3 MB


from pandas.api.types import is_datetime64_any_dtype

dataset_final_pycaret = dataset_final_pycaret.copy()

# columnas que NO quieres convertir (fechas y categóricas puras)
EXCLUDE = ["FECHA", "AÑO_MES", "DISTRITO"]   

# 1) Intentar pasar a número todo lo que no sea fecha ni excluido
cols_try = [c for c in dataset_final_pycaret.columns
            if c not in EXCLUDE and not is_datetime64_any_dtype(dataset_final_pycaret[c])]
dataset_final_pycaret[cols_try] = dataset_final_pycaret[cols_try].apply(pd.to_numeric, errors="coerce")

# 2) Asegurar float en todas las numéricas
num_cols = dataset_final_pycaret.select_dtypes(include="number").columns
dataset_final_pycaret[num_cols] = dataset_final_pycaret[num_cols].astype("Float64")   

dataset_final_pycaret.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 34 columns):
 #   Column                     Non-Null Count  Dtype         
---  ------                     --------------  -----         
 0   AÑO                        4418 non-null   Float64       
 1   MES_NUM                    4418 non-null   Float64       
 2   AÑO_MES                    4418 non-null   string        
 3   FECHA                      4418 non-null   datetime64[ns]
 4   PRECIO M2                  4418 non-null   Float64       
 5   VARIACIÓN MENSUAL          4380 non-null   Float64       
 6   VARIACIÓN TRIMESTRAL       4350 non-null   Float64       
 7   VARIACIÓN ANUAL            4163 non-null   Float64       
 8   DISTRITO                   4418 non-null   string        
 9   LATITUD                    4418 non-null   Float64       
 10  LONGITUD                   4418 non-null   Float64       
 11  SHAPE_LENG                 4418 non-null   Float64       
 12  SHAPE_AREA                 4418 non-null   Float64       
 13  RANKING                    756 non-null    Float64       
 14  VULNERABILIDAD             756 non-null    Float64       
 15  PRECIO_M2_DIST             3789 non-null   Float64       
 16  EURIBOR                    4418 non-null   Float64       
 17  TRANSACCIONES_CM           4418 non-null   Float64       
 18  INDICE_PRECIO              4357 non-null   Float64       
 19  TOTAL_HIPOTECAS            4398 non-null   Float64       
 20  CAPITAL_TOTAL_HIPOTECAS    4398 non-null   Float64       
 21  POBLACION_ACTIVA           4418 non-null   Float64       
 22  RENTA_MEDIA_HOGAR          1920 non-null   Float64       
 23  POBLACION                  4294 non-null   Float64       
 24  ESPERANZA_VIDA             4294 non-null   Float64       
 25  PARO_REGISTRADO            1554 non-null   Float64       
 26  PRECIO_ALQUILER_M2         3789 non-null   Float64       
 27  PRECIO_VENTA_M2            4168 non-null   Float64       
 28  VIVIENDAS_COMPRAVENTA      4398 non-null   Float64       
 29  EJECUCIONES_HIPOTECARIAS   2835 non-null   Float64       
 30  IPV_VIVIENDA_NUEVA         4357 non-null   Float64       
 31  TRANSACCIONES_SUELO        4357 non-null   Float64       
 32  PRECIO_MEDIO_M2_CCMM       4357 non-null   Float64       
 33  VALOR_TRANSACCIONES_SUELO  4357 non-null   Float64       
dtypes: Float64(31), datetime64[ns](1), string(2)
memory usage: 1.3 MB


# Eliminar variables

cols = ["AÑO_MES", "FECHA", "VARIACIÓN MENSUAL", "VARIACIÓN TRIMESTRAL", "RANKING", "VULNERABILIDAD", "PARO_REGISTRADO", "RENTA_MEDIA_HOGAR", "CAPITAL_TOTAL_HIPOTECAS", "VALOR_TRANSACCIONES_SUELO","SHAPE_LENG", "PRECIO_VENTA_M2", "PRECIO_ALQUILER_M2","PRECIO_M2_DIST", "IPV_VIVIENDA_NUEVA","EJECUCIONES_HIPOTECARIAS"]
dataset_final_pycaret = dataset_final_pycaret.drop(columns=cols, errors="ignore")


dataset_final_pycaret.head()


# Análisis valores nulos por variable

def resumen_nulos(df: pd.DataFrame) -> pd.DataFrame:
    total = len(df)
    nulos = df.isna().sum()
    pct = (nulos / total * 100).round(2)
    resumen = (
        pd.DataFrame({"n_nulos": nulos, "%_nulos": pct})
        .sort_values("%_nulos", ascending=False)
        .reset_index()
        .rename(columns={"index": "columna"})
    )
    return resumen

# Uso:
res = resumen_nulos(dataset_final_pycaret)
print(f"Filas totales: {len(dataset_final_pycaret):,}".replace(",", "."))
res

Filas totales: 4.418


cat_cols1 = dataset_final_pycaret.select_dtypes(include='object').columns
num_cols1 = dataset_final_pycaret.select_dtypes(include=['int64', 'float64']).columns
datetime_cols1 = dataset_final_pycaret.select_dtypes(include=['datetime64[ns]']).columns

print("Categóricas:", cat_cols.tolist())
print("Numéricas:", num_cols.tolist())
print("Datetime:", datetime_cols.tolist())

Categóricas: ['AÑO_MES', 'VARIACIÓN MENSUAL', 'VARIACIÓN TRIMESTRAL', 'VARIACIÓN ANUAL', 'DISTRITO', 'LATITUD']
Numéricas: ['AÑO', 'MES_NUM', 'PRECIO M2', 'VARIACIÓN MENSUAL', 'VARIACIÓN TRIMESTRAL', 'VARIACIÓN ANUAL', 'LATITUD', 'LONGITUD', 'SHAPE_LENG', 'SHAPE_AREA', 'RANKING', 'VULNERABILIDAD', 'PRECIO_M2_DIST', 'EURIBOR', 'TRANSACCIONES_CM', 'INDICE_PRECIO', 'TOTAL_HIPOTECAS', 'CAPITAL_TOTAL_HIPOTECAS', 'POBLACION_ACTIVA', 'RENTA_MEDIA_HOGAR', 'POBLACION', 'ESPERANZA_VIDA', 'PARO_REGISTRADO', 'PRECIO_ALQUILER_M2', 'PRECIO_VENTA_M2', 'VIVIENDAS_COMPRAVENTA', 'EJECUCIONES_HIPOTECARIAS', 'IPV_VIVIENDA_NUEVA', 'TRANSACCIONES_SUELO', 'PRECIO_MEDIO_M2_CCMM', 'VALOR_TRANSACCIONES_SUELO']
Datetime: ['FECHA']


# Matriz de correlación con menos variables
plt.figure(figsize=(10, 6))
sns.heatmap(dataset_final_pycaret[num_cols1].corr(), annot=True, cmap='coolwarm')
plt.title("Matriz de correlación")
plt.show()


# 1) Nos quedamos solo con numéricas y quitamos constantes
num_df = dataset_final_pycaret.select_dtypes(include="number").copy()
const_cols = num_df.columns[num_df.nunique(dropna=True) <= 1]
num_df = num_df.drop(columns=const_cols)

# 2) Correlación 
corr = num_df.corr(method='pearson') 
# evitar NaNs en el clustermap
np.fill_diagonal(corr.values, 1.0)
corr = corr.fillna(0)

# 3) Clustermap
sns.set(font_scale=0.85)
g = sns.clustermap(
    corr, cmap="RdBu_r", vmin=-1, vmax=1, center=0,
    linewidths=.2, dendrogram_ratio=.12,
    cbar_pos=(.02, .8, .03, .18), figsize=(11, 11)
)

# (opcional) girar etiquetas para legibilidad
g.ax_heatmap.set_xticklabels(g.ax_heatmap.get_xticklabels(), rotation=90)
g.ax_heatmap.set_yticklabels(g.ax_heatmap.get_yticklabels(), rotation=0)

plt.show()


num = (dataset_final_pycaret
       .select_dtypes(include="number")
       .drop(columns=["DISTRITO"], errors="ignore"))

corr = num.corr()
sns.heatmap(corr, cmap="RdBu_r", vmin=-1, vmax=1, center=0)
plt.title("Matriz de correlación")
plt.show()


dataset_final_pycaret.head()


print("Numéricas:", len(dataset_final_pycaret.select_dtypes(include='number').columns))
print("Categóricas:", len(dataset_final_pycaret.select_dtypes(include='object').columns))

Numéricas: 17
Categóricas: 0


# Lista de columnas en el orden que quieras
cols = list(dataset_final_pycaret.columns)

# Sacar las columnas que quieres reubicar
cols.remove("VARIACIÓN ANUAL")
cols.remove("PRECIO M2")

# Insertar primero VARIACIÓN ANUAL
euribor_index = cols.index("TRANSACCIONES_CM")
cols.insert(euribor_index, "VARIACIÓN ANUAL")

# Insertar después PRECIO M2
cols.insert(euribor_index + 1, "PRECIO M2")

# Reordenar el DataFrame
dataset_final_pycaret = dataset_final_pycaret[cols]

dataset_final_pycaret.head()


# Crear lag (-12) para variables a partir de EURIBOR en adelante


df_lag_pycaret = dataset_final_pycaret.copy()

# ordenar por distrito y tiempo
df_lag_pycaret['AÑO'] = df_lag_pycaret['AÑO'].astype(int)
df_lag_pycaret['MES_NUM'] = df_lag_pycaret['MES_NUM'].astype(int)
df_lag_pycaret['FECHA'] = pd.to_datetime(df_lag_pycaret['AÑO'].astype(str) + '-' + df_lag_pycaret['MES_NUM'].astype(str) + '-01')
df_lag_pycaret = df_lag_pycaret.sort_values(['DISTRITO', 'FECHA'])

# columnas desde 'EURIBOR' hasta el final del DataFrame
start_idx = df_lag_pycaret.columns.get_loc('EURIBOR')
cols_desde_euribor = df_lag_pycaret.columns[start_idx:]

# nos quedamos solo con las numéricas dentro de ese tramo para laggear
cols_lag = [c for c in cols_desde_euribor if pd.api.types.is_numeric_dtype(df_lag_pycaret[c])]

# crear lag 12 por DISTRITO
for c in cols_lag:
    df_lag_pycaret[f'{c}_lag12'] = df_lag_pycaret.groupby('DISTRITO')[c].shift(12)

# eliminar columna temporal de fecha
df_lag_pycaret = df_lag_pycaret.drop(columns=['FECHA'])

# df_lag = df_lag.drop(columns='FECHA')  # opcional
df_lag_pycaret.head()


# Eliminar columnas que no son de lag 
# Lista de columnas originales que quieres eliminar
cols_drop = [
    'EURIBOR',
    'VARIACIÓN ANUAL',   
    'TRANSACCIONES_CM',
    'INDICE_PRECIO',
    'TOTAL_HIPOTECAS',
    'POBLACION_ACTIVA',
    'POBLACION',
    'ESPERANZA_VIDA',
    'VIVIENDAS_COMPRAVENTA',
    'TRANSACCIONES_SUELO',
    'PRECIO_MEDIO_M2_CCMM'
]

# Eliminarlas si existen en df_lag
df_lag_pycaret = df_lag_pycaret.drop(columns=[c for c in cols_drop if c in df_lag_pycaret.columns])

df_lag_pycaret.head()


print("Numéricas:", len(df_lag_pycaret.select_dtypes(include='number').columns))
print("Categóricas:", len(df_lag_pycaret.select_dtypes(include='object').columns))

Numéricas: 18
Categóricas: 0


from pandas.api.types import is_datetime64_any_dtype

df_lag_pycaret = df_lag_pycaret.copy()

# columnas que NO quieres convertir (fechas y categóricas puras)
EXCLUDE = ["DISTRITO"]   

# 1) Intentar pasar a número todo lo que no sea fecha ni excluido
cols_try = [c for c in df_lag_pycaret.columns
            if c not in EXCLUDE and not is_datetime64_any_dtype(df_lag_pycaret[c])]
df_lag_pycaret[cols_try] = df_lag_pycaret[cols_try].apply(pd.to_numeric, errors="coerce")

# 2) Asegurar float en todas las numéricas
num_cols = df_lag_pycaret.select_dtypes(include="number").columns
df_lag_pycaret[num_cols] = df_lag_pycaret[num_cols].astype("Float64")   

df_lag_pycaret.info()

<class 'pandas.core.frame.DataFrame'>
Index: 4418 entries, 211 to 4210
Data columns (total 19 columns):
 #   Column                       Non-Null Count  Dtype  
---  ------                       --------------  -----  
 0   AÑO                          4418 non-null   Float64
 1   MES_NUM                      4418 non-null   Float64
 2   DISTRITO                     4418 non-null   string 
 3   LATITUD                      4418 non-null   Float64
 4   LONGITUD                     4418 non-null   Float64
 5   SHAPE_AREA                   4418 non-null   Float64
 6   PRECIO M2                    4418 non-null   Float64
 7   EURIBOR_lag12                4166 non-null   Float64
 8   VARIACIÓN ANUAL_lag12        3911 non-null   Float64
 9   PRECIO M2_lag12              4166 non-null   Float64
 10  TRANSACCIONES_CM_lag12       4166 non-null   Float64
 11  INDICE_PRECIO_lag12          4166 non-null   Float64
 12  TOTAL_HIPOTECAS_lag12        4166 non-null   Float64
 13  POBLACION_ACTIVA_lag12       4166 non-null   Float64
 14  POBLACION_lag12              4166 non-null   Float64
 15  ESPERANZA_VIDA_lag12         4166 non-null   Float64
 16  VIVIENDAS_COMPRAVENTA_lag12  4166 non-null   Float64
 17  TRANSACCIONES_SUELO_lag12    4166 non-null   Float64
 18  PRECIO_MEDIO_M2_CCMM_lag12   4166 non-null   Float64
dtypes: Float64(18), string(1)
memory usage: 768.0 KB


# Dataset sin Lag
dataset_final_pycaret.to_excel(r"C:\Users\evahr\Downloads\TFM-idealista\dataset_final_pycaret.xlsx", index=False)


# Dataset con Lag
df_lag_pycaret.to_excel(r"C:\Users\evahr\Downloads\TFM-idealista\df_lag_pycaret.xlsx", index=False)


# Convierte celdas vacías y variantes de "n.d." en NaN
# Vacíos y "n.d." (con o sin puntos/espacios, mayúsculas/minúsculas)
pd.set_option('future.no_silent_downcasting', True)

patrones = {r'^\s*$': np.nan, r'(?i)^(?:n\.?\s*d\.?)$': np.nan}
dataset_entrenamiento = df_final.replace(patrones, regex=True)

# Si quieres tipos “bonitos” (Int64/Float64/string/boolean):
dataset_entrenamiento = dataset_entrenamiento.convert_dtypes()


dataset_entrenamiento.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 34 columns):
 #   Column                     Non-Null Count  Dtype         
---  ------                     --------------  -----         
 0   AÑO                        4418 non-null   Int64         
 1   MES_NUM                    4418 non-null   Int64         
 2   AÑO_MES                    4418 non-null   string        
 3   FECHA                      4418 non-null   datetime64[ns]
 4   PRECIO M2                  4418 non-null   Int64         
 5   VARIACIÓN MENSUAL          4380 non-null   Float64       
 6   VARIACIÓN TRIMESTRAL       4350 non-null   Float64       
 7   VARIACIÓN ANUAL            4163 non-null   Float64       
 8   DISTRITO                   4418 non-null   string        
 9   LATITUD                    4418 non-null   string        
 10  LONGITUD                   4418 non-null   Float64       
 11  SHAPE_LENG                 4418 non-null   Float64       
 12  SHAPE_AREA                 4418 non-null   Float64       
 13  RANKING                    756 non-null    Int64         
 14  VULNERABILIDAD             756 non-null    Float64       
 15  PRECIO_M2_DIST             3789 non-null   Float64       
 16  EURIBOR                    4418 non-null   Float64       
 17  TRANSACCIONES_CM           4418 non-null   Int64         
 18  INDICE_PRECIO              4357 non-null   Float64       
 19  TOTAL_HIPOTECAS            4398 non-null   Int64         
 20  CAPITAL_TOTAL_HIPOTECAS    4398 non-null   Int64         
 21  POBLACION_ACTIVA           4418 non-null   Float64       
 22  RENTA_MEDIA_HOGAR          1920 non-null   Float64       
 23  POBLACION                  4294 non-null   Int64         
 24  ESPERANZA_VIDA             4294 non-null   Float64       
 25  PARO_REGISTRADO            1554 non-null   Int64         
 26  PRECIO_ALQUILER_M2         3789 non-null   Float64       
 27  PRECIO_VENTA_M2            4168 non-null   Int64         
 28  VIVIENDAS_COMPRAVENTA      4398 non-null   Int64         
 29  EJECUCIONES_HIPOTECARIAS   2835 non-null   Int64         
 30  IPV_VIVIENDA_NUEVA         4357 non-null   Float64       
 31  TRANSACCIONES_SUELO        4357 non-null   Int64         
 32  PRECIO_MEDIO_M2_CCMM       4357 non-null   Float64       
 33  VALOR_TRANSACCIONES_SUELO  4357 non-null   Float64       
dtypes: Float64(17), Int64(13), datetime64[ns](1), string(3)
memory usage: 1.3 MB


## Latitud a Float
s = dataset_entrenamiento['LATITUD'].astype(str).str.strip()

# Normaliza separadores y limpia basura
#s = (s.str.replace('\u00A0', '', regex=False)   # espacio no separable
#       .str.replace('\u202f', '', regex=False)  # espacio fino
#       .str.replace(' ', '', regex=False)
#       .str.replace(',', '.', regex=False)      # coma decimal → punto
#       .str.replace(r'[^\d\.\-]', '', regex=True))  # deja solo dígitos/.-

# Convierte a número
dataset_entrenamiento['LATITUD'] = pd.to_numeric(s, errors='coerce').astype('Float64')
dataset_entrenamiento.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 34 columns):
 #   Column                     Non-Null Count  Dtype         
---  ------                     --------------  -----         
 0   AÑO                        4418 non-null   Int64         
 1   MES_NUM                    4418 non-null   Int64         
 2   AÑO_MES                    4418 non-null   string        
 3   FECHA                      4418 non-null   datetime64[ns]
 4   PRECIO M2                  4418 non-null   Int64         
 5   VARIACIÓN MENSUAL          4380 non-null   Float64       
 6   VARIACIÓN TRIMESTRAL       4350 non-null   Float64       
 7   VARIACIÓN ANUAL            4163 non-null   Float64       
 8   DISTRITO                   4418 non-null   string        
 9   LATITUD                    4418 non-null   Float64       
 10  LONGITUD                   4418 non-null   Float64       
 11  SHAPE_LENG                 4418 non-null   Float64       
 12  SHAPE_AREA                 4418 non-null   Float64       
 13  RANKING                    756 non-null    Int64         
 14  VULNERABILIDAD             756 non-null    Float64       
 15  PRECIO_M2_DIST             3789 non-null   Float64       
 16  EURIBOR                    4418 non-null   Float64       
 17  TRANSACCIONES_CM           4418 non-null   Int64         
 18  INDICE_PRECIO              4357 non-null   Float64       
 19  TOTAL_HIPOTECAS            4398 non-null   Int64         
 20  CAPITAL_TOTAL_HIPOTECAS    4398 non-null   Int64         
 21  POBLACION_ACTIVA           4418 non-null   Float64       
 22  RENTA_MEDIA_HOGAR          1920 non-null   Float64       
 23  POBLACION                  4294 non-null   Int64         
 24  ESPERANZA_VIDA             4294 non-null   Float64       
 25  PARO_REGISTRADO            1554 non-null   Int64         
 26  PRECIO_ALQUILER_M2         3789 non-null   Float64       
 27  PRECIO_VENTA_M2            4168 non-null   Int64         
 28  VIVIENDAS_COMPRAVENTA      4398 non-null   Int64         
 29  EJECUCIONES_HIPOTECARIAS   2835 non-null   Int64         
 30  IPV_VIVIENDA_NUEVA         4357 non-null   Float64       
 31  TRANSACCIONES_SUELO        4357 non-null   Int64         
 32  PRECIO_MEDIO_M2_CCMM       4357 non-null   Float64       
 33  VALOR_TRANSACCIONES_SUELO  4357 non-null   Float64       
dtypes: Float64(18), Int64(13), datetime64[ns](1), string(2)
memory usage: 1.3 MB


from pandas.api.types import is_datetime64_any_dtype

dataset_entrenamiento = dataset_entrenamiento.copy()

# columnas que NO quieres convertir (fechas y categóricas puras)
EXCLUDE = ["FECHA", "AÑO_MES", "DISTRITO"]   

# 1) Intentar pasar a número todo lo que no sea fecha ni excluido
cols_try = [c for c in dataset_entrenamiento.columns
            if c not in EXCLUDE and not is_datetime64_any_dtype(dataset_entrenamiento[c])]
dataset_entrenamiento[cols_try] = dataset_entrenamiento[cols_try].apply(pd.to_numeric, errors="coerce")

# 2) Asegurar float en todas las numéricas
num_cols = dataset_entrenamiento.select_dtypes(include="number").columns
dataset_entrenamiento[num_cols] = dataset_entrenamiento[num_cols].astype("Float64")   

dataset_entrenamiento.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 34 columns):
 #   Column                     Non-Null Count  Dtype         
---  ------                     --------------  -----         
 0   AÑO                        4418 non-null   Float64       
 1   MES_NUM                    4418 non-null   Float64       
 2   AÑO_MES                    4418 non-null   string        
 3   FECHA                      4418 non-null   datetime64[ns]
 4   PRECIO M2                  4418 non-null   Float64       
 5   VARIACIÓN MENSUAL          4380 non-null   Float64       
 6   VARIACIÓN TRIMESTRAL       4350 non-null   Float64       
 7   VARIACIÓN ANUAL            4163 non-null   Float64       
 8   DISTRITO                   4418 non-null   string        
 9   LATITUD                    4418 non-null   Float64       
 10  LONGITUD                   4418 non-null   Float64       
 11  SHAPE_LENG                 4418 non-null   Float64       
 12  SHAPE_AREA                 4418 non-null   Float64       
 13  RANKING                    756 non-null    Float64       
 14  VULNERABILIDAD             756 non-null    Float64       
 15  PRECIO_M2_DIST             3789 non-null   Float64       
 16  EURIBOR                    4418 non-null   Float64       
 17  TRANSACCIONES_CM           4418 non-null   Float64       
 18  INDICE_PRECIO              4357 non-null   Float64       
 19  TOTAL_HIPOTECAS            4398 non-null   Float64       
 20  CAPITAL_TOTAL_HIPOTECAS    4398 non-null   Float64       
 21  POBLACION_ACTIVA           4418 non-null   Float64       
 22  RENTA_MEDIA_HOGAR          1920 non-null   Float64       
 23  POBLACION                  4294 non-null   Float64       
 24  ESPERANZA_VIDA             4294 non-null   Float64       
 25  PARO_REGISTRADO            1554 non-null   Float64       
 26  PRECIO_ALQUILER_M2         3789 non-null   Float64       
 27  PRECIO_VENTA_M2            4168 non-null   Float64       
 28  VIVIENDAS_COMPRAVENTA      4398 non-null   Float64       
 29  EJECUCIONES_HIPOTECARIAS   2835 non-null   Float64       
 30  IPV_VIVIENDA_NUEVA         4357 non-null   Float64       
 31  TRANSACCIONES_SUELO        4357 non-null   Float64       
 32  PRECIO_MEDIO_M2_CCMM       4357 non-null   Float64       
 33  VALOR_TRANSACCIONES_SUELO  4357 non-null   Float64       
dtypes: Float64(31), datetime64[ns](1), string(2)
memory usage: 1.3 MB


# Eliminar variables

cols = ["AÑO_MES", "FECHA", "VARIACIÓN MENSUAL", "VARIACIÓN TRIMESTRAL", "RANKING", "VULNERABILIDAD", "PARO_REGISTRADO", "RENTA_MEDIA_HOGAR", "CAPITAL_TOTAL_HIPOTECAS", "VALOR_TRANSACCIONES_SUELO","SHAPE_LENG", "PRECIO_VENTA_M2", "PRECIO_ALQUILER_M2","PRECIO_M2_DIST", "IPV_VIVIENDA_NUEVA","EJECUCIONES_HIPOTECARIAS"]
dataset_entrenamiento = dataset_entrenamiento.drop(columns=cols, errors="ignore")

dataset_entrenamiento.head()


print("Numéricas:", len(dataset_entrenamiento.select_dtypes(include='number').columns))
print("Categóricas:", len(dataset_entrenamiento.select_dtypes(include='object').columns))

Numéricas: 17
Categóricas: 0


# Análisis valores nulos por variable

def resumen_nulos(df: pd.DataFrame) -> pd.DataFrame:
    total = len(df)
    nulos = df.isna().sum()
    pct = (nulos / total * 100).round(2)
    resumen = (
        pd.DataFrame({"n_nulos": nulos, "%_nulos": pct})
        .sort_values("%_nulos", ascending=False)
        .reset_index()
        .rename(columns={"index": "columna"})
    )
    return resumen

# Uso:
res = resumen_nulos(dataset_entrenamiento)
print(f"Filas totales: {len(dataset_entrenamiento):,}".replace(",", "."))
res

Filas totales: 4.418


# Dataset antes de imputar por mediana
dataset_entrenamiento.to_excel(r"C:\Users\evahr\Downloads\TFM-idealista\df_previo_imputacion.xlsx", index=False)


# Imputar por mediana usando valores únicos para evitar sesgo por duplicados

dataset_entrenamiento = dataset_entrenamiento.copy()
num_cols = dataset_entrenamiento.select_dtypes(include="number").columns

for col in num_cols:
    # mediana por distrito calculada sobre valores únicos de esa variable
    mediana_unicos = (
        dataset_entrenamiento.groupby("DISTRITO")[col]
          .apply(lambda s: s.drop_duplicates().median())
    )
    # imputar sin eliminar filas en el df original
    dataset_entrenamiento[col] = dataset_entrenamiento[col].fillna(df["DISTRITO"].map(mediana_unicos))


# Análisis valores nulos por variable

def resumen_nulos(df: pd.DataFrame) -> pd.DataFrame:
    total = len(df)
    nulos = df.isna().sum()
    pct = (nulos / total * 100).round(2)
    resumen = (
        pd.DataFrame({"n_nulos": nulos, "%_nulos": pct})
        .sort_values("%_nulos", ascending=False)
        .reset_index()
        .rename(columns={"index": "columna"})
    )
    return resumen

# Uso:
res = resumen_nulos(dataset_entrenamiento)
print(f"Filas totales: {len(dataset_entrenamiento):,}".replace(",", "."))
res

Filas totales: 4.418


dataset_entrenamiento.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 18 columns):
 #   Column                 Non-Null Count  Dtype  
---  ------                 --------------  -----  
 0   AÑO                    4418 non-null   Float64
 1   MES_NUM                4418 non-null   Float64
 2   PRECIO M2              4418 non-null   Float64
 3   VARIACIÓN ANUAL        4418 non-null   Float64
 4   DISTRITO               4418 non-null   string 
 5   LATITUD                4418 non-null   Float64
 6   LONGITUD               4418 non-null   Float64
 7   SHAPE_AREA             4418 non-null   Float64
 8   EURIBOR                4418 non-null   Float64
 9   TRANSACCIONES_CM       4418 non-null   Float64
 10  INDICE_PRECIO          4418 non-null   Float64
 11  TOTAL_HIPOTECAS        4418 non-null   Float64
 12  POBLACION_ACTIVA       4418 non-null   Float64
 13  POBLACION              4418 non-null   Float64
 14  ESPERANZA_VIDA         4418 non-null   Float64
 15  VIVIENDAS_COMPRAVENTA  4418 non-null   Float64
 16  TRANSACCIONES_SUELO    4418 non-null   Float64
 17  PRECIO_MEDIO_M2_CCMM   4418 non-null   Float64
dtypes: Float64(17), string(1)
memory usage: 694.8 KB


# columnas numéricas que quieres usar
desired_cols = [
    'PRECIO M2', 'VARIACIÓN ANUAL', 'LATITUD', 'LONGITUD', 'SHAPE_AREA',
    'EURIBOR', 'TRANSACCIONES_CM', 'INDICE_PRECIO', 'TOTAL_HIPOTECAS',
    'POBLACION_ACTIVA', 'POBLACION', 'ESPERANZA_VIDA',
    'VIVIENDAS_COMPRAVENTA', 'TRANSACCIONES_SUELO', 'PRECIO_MEDIO_M2_CCMM'
]

# deja solo las que existen en el DataFrame (manteniendo el orden)
num_cols3 = [c for c in desired_cols if c in dataset_entrenamiento.columns]

print("num_cols3:", num_cols3)

num_cols3: ['PRECIO M2', 'VARIACIÓN ANUAL', 'LATITUD', 'LONGITUD', 'SHAPE_AREA', 'EURIBOR', 'TRANSACCIONES_CM', 'INDICE_PRECIO', 'TOTAL_HIPOTECAS', 'POBLACION_ACTIVA', 'POBLACION', 'ESPERANZA_VIDA', 'VIVIENDAS_COMPRAVENTA', 'TRANSACCIONES_SUELO', 'PRECIO_MEDIO_M2_CCMM']


cat_cols3 = dataset_entrenamiento.select_dtypes(include='object').columns
#num_cols3 = dataset_entrenamiento.select_dtypes(include=['int64', 'float64']).columns
datetime_cols3 = dataset_entrenamiento.select_dtypes(include=['datetime64[ns]']).columns

print("Categóricas:", cat_cols3.tolist())
#print("Numéricas:", num_cols3.tolist())
print("Datetime:", datetime_cols3.tolist())

Categóricas: []
Datetime: []


for col in num_cols3:
    plt.figure()
    sns.boxplot(data=dataset_entrenamiento[col])
    plt.title(f'Outliers en {col}')
    plt.show()


# Definir la variable objetivo
target = "PRECIO M2"

# --- Winsorización ---
for col in num_cols3:
    if col != target:  # Evita winsorizar la variable objetivo
       # q_low  = dataset_entrenamiento[col].quantile(0.01)   # percentil 1
       # q_high = dataset_entrenamiento[col].quantile(0.99)   # percentil 99

        q_low  = dataset_entrenamiento[col].quantile(0.05)
        q_high = dataset_entrenamiento[col].quantile(0.95)


        dataset_entrenamiento[col] = np.where(dataset_entrenamiento[col] < q_low, q_low,
                         np.where(dataset_entrenamiento[col] > q_high, q_high, dataset_entrenamiento[col]))

# --- Gráficos para comprobar ---
for col in num_cols3:
    
        plt.figure(figsize=(6,4))
        sns.boxplot(x=dataset_entrenamiento[col])
        plt.title(f'Outliers después de winsorizar: {col}')
        plt.show()


## Contar número de outliers

outlier_counts = {}

for col in num_cols3:
    # Solo procesar columnas numéricas y evitar el target si quieres
    if pd.api.types.is_numeric_dtype(dataset_entrenamiento[col]) and col != "DISTRITO":
        Q1 = dataset_entrenamiento[col].quantile(0.25)
        Q3 = dataset_entrenamiento[col].quantile(0.75)
        IQR = Q3 - Q1

        lower_bound = Q1 - 1.5 * IQR
        upper_bound = Q3 + 1.5 * IQR

        # Contar outliers
        outliers = df_final[(dataset_entrenamiento[col] < lower_bound) | (dataset_entrenamiento[col] > upper_bound)][col]
        outlier_counts[col] = outliers.count()

# Convertir a DataFrame ordenado
outlier_summary = pd.DataFrame.from_dict(outlier_counts, orient="index", columns=["Nº Outliers"])
outlier_summary = outlier_summary.sort_values(by="Nº Outliers", ascending=False)

print(outlier_summary)

                       Nº Outliers
PRECIO_MEDIO_M2_CCMM           466
PRECIO M2                       88
VARIACIÓN ANUAL                  0
LONGITUD                         0
SHAPE_AREA                       0
EURIBOR                          0
LATITUD                          0
TRANSACCIONES_CM                 0
INDICE_PRECIO                    0
POBLACION_ACTIVA                 0
TOTAL_HIPOTECAS                  0
POBLACION                        0
ESPERANZA_VIDA                   0
VIVIENDAS_COMPRAVENTA            0
TRANSACCIONES_SUELO              0


dataset_entrenamiento["PRECIO_MEDIO_M2_CCMM"] = np.log1p(dataset_entrenamiento["PRECIO_MEDIO_M2_CCMM"])


outlier_counts = {}

for col in dataset_entrenamiento.select_dtypes(include=["number"]).columns:

        Q1 = dataset_entrenamiento[col].quantile(0.25)
        Q3 = dataset_entrenamiento[col].quantile(0.75)
        IQR = Q3 - Q1

        lower_bound = Q1 - 1.5 * IQR
        upper_bound = Q3 + 1.5 * IQR

        # Contar outliers
        outliers = dataset_entrenamiento[(dataset_entrenamiento[col] < lower_bound) | 
                                         (dataset_entrenamiento[col] > upper_bound)][col]
        outlier_counts[col] = outliers.count()

# Resumen ordenado
outlier_summary = pd.DataFrame.from_dict(outlier_counts, orient="index", columns=["Nº Outliers"])
outlier_summary = outlier_summary.sort_values(by="Nº Outliers", ascending=False)

print(outlier_summary)

                       Nº Outliers
PRECIO M2                       88
AÑO                              0
MES_NUM                          0
VARIACIÓN ANUAL                  0
LATITUD                          0
LONGITUD                         0
SHAPE_AREA                       0
EURIBOR                          0
TRANSACCIONES_CM                 0
INDICE_PRECIO                    0
TOTAL_HIPOTECAS                  0
POBLACION_ACTIVA                 0
POBLACION                        0
ESPERANZA_VIDA                   0
VIVIENDAS_COMPRAVENTA            0
TRANSACCIONES_SUELO              0
PRECIO_MEDIO_M2_CCMM             0


# Dataset después de imputar por mediana
dataset_entrenamiento.to_excel(r"C:\Users\evahr\Downloads\TFM-idealista\df_despues_imputacion.xlsx", index=False)


dataset_entrenamiento.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4418 entries, 0 to 4417
Data columns (total 18 columns):
 #   Column                 Non-Null Count  Dtype  
---  ------                 --------------  -----  
 0   AÑO                    4418 non-null   Float64
 1   MES_NUM                4418 non-null   Float64
 2   PRECIO M2              4418 non-null   Float64
 3   VARIACIÓN ANUAL        4418 non-null   float64
 4   DISTRITO               4418 non-null   string 
 5   LATITUD                4418 non-null   float64
 6   LONGITUD               4418 non-null   float64
 7   SHAPE_AREA             4418 non-null   float64
 8   EURIBOR                4418 non-null   float64
 9   TRANSACCIONES_CM       4418 non-null   float64
 10  INDICE_PRECIO          4418 non-null   float64
 11  TOTAL_HIPOTECAS        4418 non-null   float64
 12  POBLACION_ACTIVA       4418 non-null   float64
 13  POBLACION              4418 non-null   float64
 14  ESPERANZA_VIDA         4418 non-null   float64
 15  VIVIENDAS_COMPRAVENTA  4418 non-null   float64
 16  TRANSACCIONES_SUELO    4418 non-null   float64
 17  PRECIO_MEDIO_M2_CCMM   4418 non-null   float64
dtypes: Float64(3), float64(14), string(1)
memory usage: 634.4 KB


# Lista de columnas en el orden que quieras
cols = list(dataset_entrenamiento.columns)

# Sacar las columnas que quieres reubicar
cols.remove("VARIACIÓN ANUAL")
cols.remove("PRECIO M2")

# Insertar primero VARIACIÓN ANUAL antes de 'TRANSACCIONES_CM'
euribor_index = cols.index("TRANSACCIONES_CM")
cols.insert(euribor_index, "VARIACIÓN ANUAL")

# Insertar después PRECIO M2
cols.insert(euribor_index + 1, "PRECIO M2")

# Reordenar el DataFrame
dataset_entrenamiento = dataset_entrenamiento[cols]

dataset_entrenamiento


## DEFINITIVO 

# ----------------------------
# PARÁMETROS
# ----------------------------
start = '2025-07'   # horizonte de predicción: inicio
end   = '2026-06'   # horizonte de predicción: fin
target_col   = 'PRECIO M2'
district_col = 'DISTRITO'
year_col     = 'AÑO'
month_col    = 'MES_NUM'

# Solo lag de 12 meses
LAGS = [12]

# Lista de distritos (para OHE consistente)
distritos = [
    'Arganzuela','Barajas','Carabanchel','Centro','Chamartin','Chamberi','Ciudad Lineal',
    'Fuencarral-El Pardo','Hortaleza','Latina','Moncloa-Aravaca','Moratalaz','Puente De Vallecas',
    'Retiro','Salamanca','San Blas-Canillejas','Tetuan','Usera','Vicalvaro','Villa De Vallecas',
    'Villaverde'
]

# ---------------------------------------------------------
# 1) Copia histórico y asegura tipos/orden temporal
# ---------------------------------------------------------
df = dataset_entrenamiento.copy()

df[year_col]  = df[year_col].astype(int)
df[month_col] = df[month_col].astype(int)

# FECHA al primer día de mes para tener una referencia clara mensual
df['FECHA'] = pd.to_datetime(df[year_col].astype(str) + '-' + df[month_col].astype(str) + '-01')
df = df.sort_values([district_col, 'FECHA']).reset_index(drop=True)

# ---------------------------------------------------------
# 2) Columnas para lag DESDE 'EURIBOR' EN ADELANTE (numéricas)
# ---------------------------------------------------------
if 'EURIBOR' not in df.columns:
    raise KeyError("No encuentro la columna 'EURIBOR' en el DataFrame.")

idx_ini = df.columns.get_loc('EURIBOR')
candidatas = df.columns[idx_ini:]                         # desde EURIBOR hacia la derecha
num_cols   = df.select_dtypes(include=[np.number]).columns
cols_para_lag = [c for c in candidatas if c in num_cols]  # mismas columnas y orden

# ---------------------------------------------------------
# 3) Panel mensual completo por distrito (histórico mínimo -> end)
#    Evita desalineaciones del shift(12) si faltan meses en el histórico
# ---------------------------------------------------------
hist_min = df['FECHA'].min()
end_dt   = pd.to_datetime(end)

# Periodos mensuales y a Timestamp en INICIO de mes
cal = pd.period_range(start=hist_min.to_period('M'),
                      end=end_dt.to_period('M'),
                      freq='M').to_timestamp(how='start')

panel = (
    pd.MultiIndex.from_product([distritos, cal], names=[district_col, 'FECHA'])
    .to_frame(index=False)
)
panel[year_col]  = panel['FECHA'].dt.year
panel[month_col] = panel['FECHA'].dt.month

# Merge del histórico sobre el panel (rellena huecos con NaN)
full = panel.merge(
    df,
    on=[district_col, 'FECHA', year_col, month_col],
    how='left',
    suffixes=('', '_dup')
)

# ---------------------------------------------------------
# 4) Crear lag12 por DISTRITO (alineado por mes)
# ---------------------------------------------------------
full = full.sort_values([district_col, 'FECHA']).reset_index(drop=True)
for col in cols_para_lag:
    full[f'{col}_lag12'] = full.groupby(district_col, group_keys=False)[col].shift(12)

# ---------------------------------------------------------
# 5) Relleno en tramo de predicción con lag12 y columnas estáticas
# ---------------------------------------------------------
start_dt = pd.to_datetime(start)
mask_future = (full['FECHA'] >= start_dt) & (full['FECHA'] <= end_dt)

# columnas estáticas por distrito (ajústalas si tienes más)
cols_estaticas = [c for c in ['LATITUD','LONGITUD','SHAPE_AREA'] if c in full.columns]
for c in cols_estaticas:
    full[c] = full.groupby(district_col, group_keys=False)[c].ffill().bfill()

# Copiar SIEMPRE el valor del lag12 en el futuro (desde EURIBOR en adelante)
for c in cols_para_lag:
    lag12 = f'{c}_lag12'
    full.loc[mask_future, c] = full.loc[mask_future, lag12]

# El TARGET debe quedar en NaN en el tramo futuro (lo predecirá el modelo)
if target_col in full.columns:
    full.loc[mask_future, target_col] = np.nan

# ---------------------------------------------------------
# 6) One-Hot de distritos (prefijo DIST_) y garantía de columnas
# ---------------------------------------------------------
full = pd.get_dummies(full, columns=[district_col], prefix='DIST', dtype=bool)
for d in distritos:
    colname = f'DIST_{d}'
    if colname not in full.columns:
        full[colname] = False

# ---------------------------------------------------------
# 7) Extrae el DF de PREDICCIÓN y ordena columnas
#     - Primero TODAS las columnas originales (orden original)
#     - Después TODAS las columnas lag12 en el mismo orden de sus originales
#     - Finalmente las columnas OHE (DIST_*)
# ---------------------------------------------------------
dataset_prediccion = full.loc[mask_future].copy()

# columnas originales (del histórico) que están en dataset_prediccion
orig_cols = [c for c in df.columns if c in dataset_prediccion.columns]

# columnas lag en el mismo orden (solo las existentes)
lag_cols  = [f'{c}_lag12' for c in orig_cols if f'{c}_lag12' in dataset_prediccion.columns]

# columnas OHE
dist_cols = sorted([c for c in dataset_prediccion.columns if c.startswith('DIST_')])

# orden final
final_cols = orig_cols + lag_cols + dist_cols
dataset_prediccion = dataset_prediccion[final_cols]

print(dataset_prediccion.shape)
dataset_prediccion

(252, 51)


# Eliminar columnas que no son de lag 
# Lista de columnas originales que quieres eliminar
cols_drop = [
    'EURIBOR',
    'VARIACIÓN ANUAL',
    'TRANSACCIONES_CM',
    'INDICE_PRECIO',
    'TOTAL_HIPOTECAS',
    'POBLACION_ACTIVA',
    'POBLACION',
    'ESPERANZA_VIDA',
    'VIVIENDAS_COMPRAVENTA',
    'TRANSACCIONES_SUELO',
    'PRECIO_MEDIO_M2_CCMM',
    'FECHA'
]

# Eliminarlas si existen en df_lag
dataset_prediccion = dataset_prediccion.drop(columns=[c for c in cols_drop if c in dataset_prediccion.columns])

dataset_prediccion.head()


dataset_prediccion = dataset_prediccion.copy()

# columnas que NO quieres convertir (fechas y categóricas puras)
EXCLUDE = ["FECHA", "AÑO_MES", "DISTRITO"]   

# 1) Intentar pasar a número todo lo que no sea fecha ni excluido
cols_try = [c for c in dataset_prediccion.columns
            if c not in EXCLUDE and not is_datetime64_any_dtype(dataset_prediccion[c])]
dataset_prediccion[cols_try] = dataset_prediccion[cols_try].apply(pd.to_numeric, errors="coerce")

# 2) Asegurar float en todas las numéricas
num_cols = dataset_prediccion.select_dtypes(include="number").columns
dataset_prediccion[num_cols] = dataset_prediccion[num_cols].astype("Float64")   

dataset_prediccion.info()

<class 'pandas.core.frame.DataFrame'>
Index: 252 entries, 218 to 4829
Data columns (total 39 columns):
 #   Column                       Non-Null Count  Dtype  
---  ------                       --------------  -----  
 0   AÑO                          252 non-null    Float64
 1   MES_NUM                      252 non-null    Float64
 2   LATITUD                      252 non-null    Float64
 3   LONGITUD                     252 non-null    Float64
 4   SHAPE_AREA                   252 non-null    Float64
 5   PRECIO M2                    0 non-null      Float64
 6   EURIBOR_lag12                250 non-null    Float64
 7   VARIACIÓN ANUAL_lag12        250 non-null    Float64
 8   PRECIO M2_lag12              250 non-null    Float64
 9   TRANSACCIONES_CM_lag12       250 non-null    Float64
 10  INDICE_PRECIO_lag12          250 non-null    Float64
 11  TOTAL_HIPOTECAS_lag12        250 non-null    Float64
 12  POBLACION_ACTIVA_lag12       250 non-null    Float64
 13  POBLACION_lag12              250 non-null    Float64
 14  ESPERANZA_VIDA_lag12         250 non-null    Float64
 15  VIVIENDAS_COMPRAVENTA_lag12  250 non-null    Float64
 16  TRANSACCIONES_SUELO_lag12    250 non-null    Float64
 17  PRECIO_MEDIO_M2_CCMM_lag12   250 non-null    Float64
 18  DIST_Arganzuela              252 non-null    bool   
 19  DIST_Barajas                 252 non-null    bool   
 20  DIST_Carabanchel             252 non-null    bool   
 21  DIST_Centro                  252 non-null    bool   
 22  DIST_Chamartin               252 non-null    bool   
 23  DIST_Chamberi                252 non-null    bool   
 24  DIST_Ciudad Lineal           252 non-null    bool   
 25  DIST_Fuencarral-El Pardo     252 non-null    bool   
 26  DIST_Hortaleza               252 non-null    bool   
 27  DIST_Latina                  252 non-null    bool   
 28  DIST_Moncloa-Aravaca         252 non-null    bool   
 29  DIST_Moratalaz               252 non-null    bool   
 30  DIST_Puente De Vallecas      252 non-null    bool   
 31  DIST_Retiro                  252 non-null    bool   
 32  DIST_Salamanca               252 non-null    bool   
 33  DIST_San Blas-Canillejas     252 non-null    bool   
 34  DIST_Tetuan                  252 non-null    bool   
 35  DIST_Usera                   252 non-null    bool   
 36  DIST_Vicalvaro               252 non-null    bool   
 37  DIST_Villa De Vallecas       252 non-null    bool   
 38  DIST_Villaverde              252 non-null    bool   
dtypes: Float64(18), bool(21)
memory usage: 47.0 KB


# Rellenar los NaN con el valor del mes anterior dentro del mismo distrito y año.

# === Reconstruir distrito desde OHE y rellenar dentro del MISMO AÑO ===
dist_cols = [c for c in dataset_prediccion.columns if c.startswith('DIST_')]

# Recuperar etiqueta de distrito (columna auxiliar)
dataset_prediccion['__DISTRITO__'] = (
    dataset_prediccion[dist_cols].idxmax(axis=1).str.replace('DIST_', '', regex=False)
)

# columnas numéricas a rellenar (evita OHE y el target)
cols_fill = [
    c for c in dataset_prediccion.columns
    if pd.api.types.is_numeric_dtype(dataset_prediccion[c])
    and not c.startswith('DIST_')
    and c != target_col
]

# ordenar y forward-fill por distrito y AÑO (enero no hereda diciembre)
dataset_prediccion = dataset_prediccion.sort_values(['__DISTRITO__', year_col, month_col]).reset_index(drop=True)
dataset_prediccion[cols_fill] = (
    dataset_prediccion.groupby(['__DISTRITO__', year_col], group_keys=False)[cols_fill]
        .ffill()
)

# opcional: si quieres también bfill dentro del año
# dataset_prediccion[cols_fill] = dataset_prediccion.groupby(['__DISTRITO__', year_col], group_keys=False)[cols_fill].ffill().bfill()

# limpiar auxiliar
dataset_prediccion = dataset_prediccion.drop(columns='__DISTRITO__')

dataset_prediccion.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 252 entries, 0 to 251
Data columns (total 39 columns):
 #   Column                       Non-Null Count  Dtype  
---  ------                       --------------  -----  
 0   AÑO                          252 non-null    Float64
 1   MES_NUM                      252 non-null    Float64
 2   LATITUD                      252 non-null    Float64
 3   LONGITUD                     252 non-null    Float64
 4   SHAPE_AREA                   252 non-null    Float64
 5   PRECIO M2                    0 non-null      Float64
 6   EURIBOR_lag12                252 non-null    Float64
 7   VARIACIÓN ANUAL_lag12        252 non-null    Float64
 8   PRECIO M2_lag12              252 non-null    Float64
 9   TRANSACCIONES_CM_lag12       252 non-null    Float64
 10  INDICE_PRECIO_lag12          252 non-null    Float64
 11  TOTAL_HIPOTECAS_lag12        252 non-null    Float64
 12  POBLACION_ACTIVA_lag12       252 non-null    Float64
 13  POBLACION_lag12              252 non-null    Float64
 14  ESPERANZA_VIDA_lag12         252 non-null    Float64
 15  VIVIENDAS_COMPRAVENTA_lag12  252 non-null    Float64
 16  TRANSACCIONES_SUELO_lag12    252 non-null    Float64
 17  PRECIO_MEDIO_M2_CCMM_lag12   252 non-null    Float64
 18  DIST_Arganzuela              252 non-null    bool   
 19  DIST_Barajas                 252 non-null    bool   
 20  DIST_Carabanchel             252 non-null    bool   
 21  DIST_Centro                  252 non-null    bool   
 22  DIST_Chamartin               252 non-null    bool   
 23  DIST_Chamberi                252 non-null    bool   
 24  DIST_Ciudad Lineal           252 non-null    bool   
 25  DIST_Fuencarral-El Pardo     252 non-null    bool   
 26  DIST_Hortaleza               252 non-null    bool   
 27  DIST_Latina                  252 non-null    bool   
 28  DIST_Moncloa-Aravaca         252 non-null    bool   
 29  DIST_Moratalaz               252 non-null    bool   
 30  DIST_Puente De Vallecas      252 non-null    bool   
 31  DIST_Retiro                  252 non-null    bool   
 32  DIST_Salamanca               252 non-null    bool   
 33  DIST_San Blas-Canillejas     252 non-null    bool   
 34  DIST_Tetuan                  252 non-null    bool   
 35  DIST_Usera                   252 non-null    bool   
 36  DIST_Vicalvaro               252 non-null    bool   
 37  DIST_Villa De Vallecas       252 non-null    bool   
 38  DIST_Villaverde              252 non-null    bool   
dtypes: Float64(18), bool(21)
memory usage: 45.2 KB


dataset_prediccion.to_excel(r"C:\Users\evahr\Downloads\TFM-idealista\dataset_prediccion.xlsx", index=False)


dataset_entrenamiento.head()


# Crear lag (-12) para variables a partir de EURIBOR en adelante


dataset_entrenamiento_lag = dataset_entrenamiento.copy()

# ordenar por distrito y tiempo
dataset_entrenamiento_lag['AÑO'] = dataset_entrenamiento_lag['AÑO'].astype(int)
dataset_entrenamiento_lag['MES_NUM'] = dataset_entrenamiento_lag['MES_NUM'].astype(int)
dataset_entrenamiento_lag['FECHA'] = pd.to_datetime(dataset_entrenamiento_lag['AÑO'].astype(str) + '-' + dataset_entrenamiento_lag['MES_NUM'].astype(str) + '-01')
dataset_entrenamiento_lag = dataset_entrenamiento_lag.sort_values(['DISTRITO', 'FECHA'])

# columnas desde 'EURIBOR' hasta el final del DataFrame
start_idx = dataset_entrenamiento_lag.columns.get_loc('EURIBOR')
cols_desde_euribor = dataset_entrenamiento_lag.columns[start_idx:]

# nos quedamos solo con las numéricas dentro de ese tramo para laggear
cols_lag = [c for c in cols_desde_euribor if pd.api.types.is_numeric_dtype(dataset_entrenamiento_lag[c])]

# crear lag 12 por DISTRITO
for c in cols_lag:
    dataset_entrenamiento_lag[f'{c}_lag12'] = dataset_entrenamiento_lag.groupby('DISTRITO')[c].shift(12)

# eliminar columna temporal de fecha
dataset_entrenamiento_lag = dataset_entrenamiento_lag.drop(columns=['FECHA'])

# df_lag = df_lag.drop(columns='FECHA')  # opcional
dataset_entrenamiento_lag.head()


# Eliminar columnas que no son de lag 
# Lista de columnas originales que quieres eliminar
cols_drop = [
    'EURIBOR',
    'VARIACIÓN ANUAL',
    'TRANSACCIONES_CM',
    'INDICE_PRECIO',
    'TOTAL_HIPOTECAS',
    'POBLACION_ACTIVA',
    'POBLACION',
    'ESPERANZA_VIDA',
    'VIVIENDAS_COMPRAVENTA',
    'TRANSACCIONES_SUELO',
    'PRECIO_MEDIO_M2_CCMM',
    'FECHA'
]

# Eliminarlas si existen en df_lag
dataset_entrenamiento_lag = dataset_entrenamiento_lag.drop(columns=[c for c in cols_drop if c in dataset_entrenamiento_lag.head().columns])

dataset_entrenamiento_lag.head()


print("Número total de columnas:", dataset_entrenamiento_lag.shape[1])

Número total de columnas: 19


# Análisis valores nulos por variable

def resumen_nulos(df: pd.DataFrame) -> pd.DataFrame:
    total = len(df)
    nulos = df.isna().sum()
    pct = (nulos / total * 100).round(2)
    resumen = (
        pd.DataFrame({"n_nulos": nulos, "%_nulos": pct})
        .sort_values("%_nulos", ascending=False)
        .reset_index()
        .rename(columns={"index": "columna"})
    )
    return resumen

# Uso:
res = resumen_nulos(dataset_entrenamiento_lag)
print(f"Filas totales: {len(dataset_entrenamiento_lag):,}".replace(",", "."))
res

Filas totales: 4.418


# Eliminar filas con nulos en cualquier columna
dataset_entrenamiento_lag = dataset_entrenamiento_lag.dropna(axis=0)

# Reiniciar el índice después de eliminar filas
#dataset_entrenamiento_lag = dataset_entrenamiento_lag.reset_index(drop=True)


# Análisis valores nulos por variable

def resumen_nulos(df: pd.DataFrame) -> pd.DataFrame:
    total = len(df)
    nulos = df.isna().sum()
    pct = (nulos / total * 100).round(2)
    resumen = (
        pd.DataFrame({"n_nulos": nulos, "%_nulos": pct})
        .sort_values("%_nulos", ascending=False)
        .reset_index()
        .rename(columns={"index": "columna"})
    )
    return resumen

# Uso:
res = resumen_nulos(dataset_entrenamiento_lag)
print(f"Filas totales: {len(dataset_entrenamiento_lag):,}".replace(",", "."))
res

Filas totales: 4.166


# Número de filas y columnas
n_filas, n_columnas = dataset_entrenamiento_lag.shape

print(f"Filas: {n_filas}")
print(f"Columnas: {n_columnas}")

Filas: 4166
Columnas: 19


dataset_entrenamiento_lag = dataset_entrenamiento_lag.copy()

# columnas que NO quieres convertir (fechas y categóricas puras)
EXCLUDE = ["DISTRITO"]   

# 1) Intentar pasar a número todo lo que no sea fecha ni excluido
cols_try = [c for c in dataset_entrenamiento_lag.columns
            if c not in EXCLUDE and not is_datetime64_any_dtype(dataset_entrenamiento_lag[c])]
dataset_entrenamiento_lag[cols_try] = dataset_entrenamiento_lag[cols_try].apply(pd.to_numeric, errors="coerce")

# 2) Asegurar float en todas las numéricas
num_cols = dataset_entrenamiento_lag.select_dtypes(include="number").columns
dataset_entrenamiento_lag[num_cols] = dataset_entrenamiento_lag[num_cols].astype("Float64")   

dataset_entrenamiento_lag.info()

<class 'pandas.core.frame.DataFrame'>
Index: 4166 entries, 199 to 4210
Data columns (total 19 columns):
 #   Column                       Non-Null Count  Dtype  
---  ------                       --------------  -----  
 0   AÑO                          4166 non-null   Float64
 1   MES_NUM                      4166 non-null   Float64
 2   DISTRITO                     4166 non-null   string 
 3   LATITUD                      4166 non-null   Float64
 4   LONGITUD                     4166 non-null   Float64
 5   SHAPE_AREA                   4166 non-null   Float64
 6   PRECIO M2                    4166 non-null   Float64
 7   EURIBOR_lag12                4166 non-null   Float64
 8   VARIACIÓN ANUAL_lag12        4166 non-null   Float64
 9   PRECIO M2_lag12              4166 non-null   Float64
 10  TRANSACCIONES_CM_lag12       4166 non-null   Float64
 11  INDICE_PRECIO_lag12          4166 non-null   Float64
 12  TOTAL_HIPOTECAS_lag12        4166 non-null   Float64
 13  POBLACION_ACTIVA_lag12       4166 non-null   Float64
 14  POBLACION_lag12              4166 non-null   Float64
 15  ESPERANZA_VIDA_lag12         4166 non-null   Float64
 16  VIVIENDAS_COMPRAVENTA_lag12  4166 non-null   Float64
 17  TRANSACCIONES_SUELO_lag12    4166 non-null   Float64
 18  PRECIO_MEDIO_M2_CCMM_lag12   4166 non-null   Float64
dtypes: Float64(18), string(1)
memory usage: 724.2 KB


# One Hot Encoding con pandas
dataset_entrenamiento_lag1 = pd.get_dummies(dataset_entrenamiento_lag, 
                                 columns=["DISTRITO"], 
                                 prefix="DIST", 
                                 drop_first=False)

# Ver las nuevas columnas
print(dataset_entrenamiento_lag1.head())

        AÑO  MES_NUM   LATITUD  LONGITUD     SHAPE_AREA  PRECIO M2  \
199  2008.0     11.0  40.40021  -3.69618  6462175.91405     3714.0   
198  2008.0     12.0  40.40021  -3.69618  6462175.91405     3667.0   
197  2009.0      1.0  40.40021  -3.69618  6462175.91405     3782.0   
196  2009.0      2.0  40.40021  -3.69618  6462175.91405     3722.0   
195  2009.0      3.0  40.40021  -3.69618  6462175.91405     3722.0   

     EURIBOR_lag12  VARIACIÓN ANUAL_lag12  PRECIO M2_lag12  \
199        0.04498                 0.0125           4000.0   
198        0.04498                 0.0125           4000.0   
197        0.04498                 0.0125           4000.0   
196        0.04349                 0.0125           3824.0   
195        0.04498                 0.0125           4000.0   

     TRANSACCIONES_CM_lag12  ...  DIST_Moratalaz  DIST_Puente De Vallecas  \
199                  6058.0  ...           False                    False   
198                  4577.0  ...           False                    False   
197                  6123.0  ...           False                    False   
196                  5964.0  ...           False                    False   
195                  5525.0  ...           False                    False   

     DIST_Retiro  DIST_Salamanca  DIST_San Blas-Canillejas  DIST_Tetuan  \
199        False           False                     False        False   
198        False           False                     False        False   
197        False           False                     False        False   
196        False           False                     False        False   
195        False           False                     False        False   

     DIST_Usera  DIST_Vicalvaro  DIST_Villa De Vallecas  DIST_Villaverde  
199       False           False                   False            False  
198       False           False                   False            False  
197       False           False                   False            False  
196       False           False                   False            False  
195       False           False                   False            False  

[5 rows x 39 columns]


dataset_entrenamiento_lag1.info()

<class 'pandas.core.frame.DataFrame'>
Index: 4166 entries, 199 to 4210
Data columns (total 39 columns):
 #   Column                       Non-Null Count  Dtype  
---  ------                       --------------  -----  
 0   AÑO                          4166 non-null   Float64
 1   MES_NUM                      4166 non-null   Float64
 2   LATITUD                      4166 non-null   Float64
 3   LONGITUD                     4166 non-null   Float64
 4   SHAPE_AREA                   4166 non-null   Float64
 5   PRECIO M2                    4166 non-null   Float64
 6   EURIBOR_lag12                4166 non-null   Float64
 7   VARIACIÓN ANUAL_lag12        4166 non-null   Float64
 8   PRECIO M2_lag12              4166 non-null   Float64
 9   TRANSACCIONES_CM_lag12       4166 non-null   Float64
 10  INDICE_PRECIO_lag12          4166 non-null   Float64
 11  TOTAL_HIPOTECAS_lag12        4166 non-null   Float64
 12  POBLACION_ACTIVA_lag12       4166 non-null   Float64
 13  POBLACION_lag12              4166 non-null   Float64
 14  ESPERANZA_VIDA_lag12         4166 non-null   Float64
 15  VIVIENDAS_COMPRAVENTA_lag12  4166 non-null   Float64
 16  TRANSACCIONES_SUELO_lag12    4166 non-null   Float64
 17  PRECIO_MEDIO_M2_CCMM_lag12   4166 non-null   Float64
 18  DIST_Arganzuela              4166 non-null   boolean
 19  DIST_Barajas                 4166 non-null   boolean
 20  DIST_Carabanchel             4166 non-null   boolean
 21  DIST_Centro                  4166 non-null   boolean
 22  DIST_Chamartin               4166 non-null   boolean
 23  DIST_Chamberi                4166 non-null   boolean
 24  DIST_Ciudad Lineal           4166 non-null   boolean
 25  DIST_Fuencarral-El Pardo     4166 non-null   boolean
 26  DIST_Hortaleza               4166 non-null   boolean
 27  DIST_Latina                  4166 non-null   boolean
 28  DIST_Moncloa-Aravaca         4166 non-null   boolean
 29  DIST_Moratalaz               4166 non-null   boolean
 30  DIST_Puente De Vallecas      4166 non-null   boolean
 31  DIST_Retiro                  4166 non-null   boolean
 32  DIST_Salamanca               4166 non-null   boolean
 33  DIST_San Blas-Canillejas     4166 non-null   boolean
 34  DIST_Tetuan                  4166 non-null   boolean
 35  DIST_Usera                   4166 non-null   boolean
 36  DIST_Vicalvaro               4166 non-null   boolean
 37  DIST_Villa De Vallecas       4166 non-null   boolean
 38  DIST_Villaverde              4166 non-null   boolean
dtypes: Float64(18), boolean(21)
memory usage: 862.5 KB


## Sin One Hot Encoding
dataset_entrenamiento_lag.to_excel(r"C:\Users\evahr\Downloads\TFM-idealista\dataset_entrenamiento_lag.xlsx", index=False)


## Con One Hot Encoding
dataset_entrenamiento_lag1.to_excel(r"C:\Users\evahr\Downloads\TFM-idealista\dataset_entrenamiento_lag1.xlsx", index=False)


dataset_entrenamiento_lag1


dataset_entrenamiento_lag

	AÑO	MES_NUM	FECHA	PRECIO M2	LONGITUD	SHAPE_LENG	SHAPE_AREA	RANKING	VULNERABILIDAD	PRECIO_M2_DIST	...	ESPERANZA_VIDA	PARO_REGISTRADO	PRECIO_ALQUILER_M2	PRECIO_VENTA_M2	VIVIENDAS_COMPRAVENTA	EJECUCIONES_HIPOTECARIAS	IPV_VIVIENDA_NUEVA	TRANSACCIONES_SUELO	PRECIO_MEDIO_M2_CCMM	VALOR_TRANSACCIONES_SUELO
count	4418.000000	4418.000000	4418	4418.000000	4418.000000	4418.000000	4.418000e+03	756.00000	756.000000	3789.000000	...	4294.000000	1554.000000	3789.000000	4168.000000	4398.000000	2835.000000	4357.000000	4357.000000	4357.000000	4.357000e+03
mean	2016.214803	6.476460	2016-09-01 20:03:22.082390016	3227.063830	-3.677022	23287.349423	2.888299e+07	11.00000	0.007728	12.633558	...	84.445505	16298.703990	12.633558	3163.360845	1603.299227	548.244444	131.121532	379.420473	345.216842	2.210553e+05
min	2007.000000	1.000000	2007-05-01 00:00:00	1250.000000	-3.745690	9019.544152	4.679185e+06	1.00000	0.005761	7.400000	...	80.500000	2980.000000	7.400000	1174.000000	788.000000	116.000000	86.079000	148.000000	224.700000	2.976775e+04
25%	2012.000000	3.000000	2012-05-01 00:00:00	2367.000000	-3.702750	10866.335995	6.103168e+06	6.00000	0.006319	10.300000	...	83.600000	9538.000000	10.300000	2318.000000	1212.000000	317.000000	107.976000	280.000000	288.860000	1.217268e+05
50%	2016.000000	6.000000	2016-09-01 00:00:00	3027.500000	-3.683070	18083.304616	1.404832e+07	11.00000	0.007590	12.100000	...	84.500000	14946.000000	12.100000	2985.000000	1493.000000	406.000000	124.240000	361.000000	309.860000	1.805847e+05
75%	2021.000000	9.000000	2021-02-01 00:00:00	3923.000000	-3.651320	28142.972535	2.762398e+07	16.00000	0.008600	14.500000	...	85.300000	20513.500000	14.500000	3871.250000	1864.000000	754.000000	148.812000	464.000000	377.520000	2.405415e+05
max	2025.000000	12.000000	2025-06-01 00:00:00	9818.000000	-3.577770	94480.909361	2.378383e+08	21.00000	0.011500	25.480000	...	89.400000	45756.000000	25.480000	8818.000000	3665.000000	1240.000000	210.738000	935.000000	641.820000	1.474330e+06
std	5.096514	3.455531	NaN	1198.661277	0.044342	18621.197062	4.936426e+07	6.05931	0.001577	3.087030	...	1.338039	8570.792877	3.087030	1143.940642	549.876576	322.461326	30.036817	146.571187	91.462289	1.644689e+05

	AÑO	MES_NUM	PRECIO M2	LONGITUD	SHAPE_LENG	SHAPE_AREA	RANKING	VULNERABILIDAD	PRECIO_M2_DIST	EURIBOR	...	ESPERANZA_VIDA	PARO_REGISTRADO	PRECIO_ALQUILER_M2	PRECIO_VENTA_M2	VIVIENDAS_COMPRAVENTA	EJECUCIONES_HIPOTECARIAS	IPV_VIVIENDA_NUEVA	TRANSACCIONES_SUELO	PRECIO_MEDIO_M2_CCMM	VALOR_TRANSACCIONES_SUELO
AÑO	1.000000e+00	-7.352193e-02	0.206790	2.986621e-02	-6.185436e-04	-3.064848e-03	4.344355e-13	-4.519205e-02	0.503870	-1.356077e-01	...	0.540431	-0.087457	0.503870	0.148952	-4.425970e-01	-8.079882e-01	6.981091e-01	2.013491e-01	-7.641461e-01	-4.280697e-01
MES_NUM	-7.352193e-02	1.000000e+00	-0.013049	6.745270e-04	1.828170e-03	1.619086e-03	4.496300e-19	-6.750567e-18	0.034524	1.777684e-02	...	-0.026185	-0.023303	0.034524	0.031795	-2.397014e-01	-5.474165e-02	-2.324892e-02	5.388347e-02	2.862622e-02	3.042659e-02
PRECIO M2	2.067904e-01	-1.304870e-02	1.000000	-1.383891e-01	-1.369996e-01	-6.311662e-02	8.376857e-01	-8.153242e-01	0.886857	2.502553e-01	...	0.296574	-0.575752	0.886857	0.997552	1.008855e-01	-3.452049e-01	3.963150e-01	2.090134e-02	5.004371e-02	8.275392e-02
LONGITUD	2.986621e-02	6.745270e-04	-0.138389	1.000000e+00	-7.257643e-02	-1.485527e-01	1.538674e-02	-2.506334e-02	-0.216668	-3.031590e-02	...	0.033336	-0.312548	-0.216668	-0.141393	-2.359731e-02	2.388537e-15	-1.301054e-03	-4.662823e-03	-3.911994e-02	-4.488555e-02
SHAPE_LENG	-6.185436e-04	1.828170e-03	-0.137000	-7.257643e-02	1.000000e+00	9.647131e-01	8.265096e-02	-1.382604e-01	-0.247490	2.070721e-03	...	0.022902	0.017419	-0.247490	-0.136032	4.176848e-04	-6.905401e-16	4.217373e-04	1.067329e-03	7.075054e-04	9.462774e-05
SHAPE_AREA	-3.064848e-03	1.619086e-03	-0.063117	-1.485527e-01	9.647131e-01	1.000000e+00	1.176461e-01	-1.587572e-01	-0.172145	3.711215e-03	...	0.016382	0.007102	-0.172145	-0.060743	2.400787e-03	-6.381115e-16	2.500641e-04	8.040977e-04	3.854647e-03	3.421010e-03
RANKING	4.344355e-13	4.496300e-19	0.837686	1.538674e-02	8.265096e-02	1.176461e-01	1.000000e+00	-9.697610e-01	0.648452	-3.345345e-16	...	0.385358	-0.732612	0.648452	0.834498	-1.189590e-15	2.424448e-16	-4.551009e-15	5.107696e-18	1.272004e-15	-2.772947e-16
VULNERABILIDAD	-4.519205e-02	-6.750567e-18	-0.815324	-2.506334e-02	-1.382604e-01	-1.587572e-01	-9.697610e-01	1.000000e+00	-0.618702	1.841494e-02	...	-0.367149	0.763981	-0.618702	-0.811032	3.736656e-03	1.797143e-02	-4.331027e-02	3.949819e-02	4.835734e-03	1.997080e-02
PRECIO_M2_DIST	5.038695e-01	3.452395e-02	0.886857	-2.166678e-01	-2.474903e-01	-1.721447e-01	6.484516e-01	-6.187017e-01	1.000000	3.298499e-01	...	0.356259	-0.382603	1.000000	0.884634	-2.509996e-02	-5.099449e-01	6.190773e-01	3.582100e-02	-1.399351e-01	2.921590e-02
EURIBOR	-1.356077e-01	1.777684e-02	0.250255	-3.031590e-02	2.070721e-03	3.711215e-03	-3.345345e-16	1.841494e-02	0.329850	1.000000e+00	...	-0.047809	-0.176598	0.329850	0.228890	2.894284e-01	-3.210169e-01	4.373884e-01	-2.619913e-01	4.498442e-01	3.424542e-01
TRANSACCIONES_CM	5.841391e-01	-2.308263e-01	0.250079	-1.299248e-03	3.766439e-04	-1.488495e-04	-1.357196e-15	2.249037e-02	0.395406	3.190234e-02	...	0.330311	-0.044246	0.395406	0.217330	2.582011e-01	-5.993209e-01	6.607787e-01	4.280927e-01	-2.306137e-01	1.083311e-01
INDICE_PRECIO	5.356275e-01	-7.262980e-03	0.415421	-1.173685e-02	7.999274e-04	1.336666e-03	-6.596773e-16	-4.732883e-02	0.620476	4.862401e-01	...	0.200025	-0.128965	0.620476	0.403015	1.562570e-01	-8.477761e-01	9.640192e-01	1.769544e-01	-3.426770e-03	1.920096e-01
TOTAL_HIPOTECAS	-2.094948e-01	-8.742942e-02	0.225617	-3.600234e-02	5.452705e-04	3.287063e-03	-2.872359e-16	6.402200e-04	0.309151	4.122162e-01	...	-0.206041	-0.033900	0.309151	0.241863	5.932853e-01	-5.289138e-01	3.503098e-01	1.658771e-01	5.217309e-01	6.098691e-01
CAPITAL_TOTAL_HIPOTECAS	-3.081577e-02	-5.486278e-02	0.276199	-3.668179e-02	9.661665e-04	3.367770e-03	5.102551e-16	1.499072e-03	0.444412	4.895612e-01	...	-0.121500	-0.077989	0.444412	0.271071	4.627069e-01	-6.708650e-01	5.079528e-01	2.474852e-01	4.010630e-01	5.906280e-01
POBLACION_ACTIVA	6.581625e-01	-3.321774e-02	0.386976	1.088078e-02	-1.763852e-04	-7.501924e-04	-3.078538e-15	-3.290336e-02	0.552732	4.312246e-01	...	0.363614	-0.113635	0.552732	0.338677	2.095842e-02	-6.186179e-01	8.889580e-01	-2.918657e-03	-1.552232e-01	-1.534386e-01
RENTA_MEDIA_HOGAR	1.966314e-01	1.764194e-16	0.818114	-5.355060e-02	1.450736e-01	1.655718e-01	9.565374e-01	-9.170225e-01	0.624203	5.260507e-02	...	0.471798	-0.649157	0.624203	0.813559	1.064499e-01	-1.482579e-01	1.958755e-01	4.348556e-02	-8.476857e-02	3.399180e-02
POBLACION	3.392325e-01	-2.612343e-03	0.032608	-3.868073e-01	1.681931e-01	1.767426e-01	-3.186881e-01	3.310839e-01	0.267225	3.875935e-01	...	0.181476	0.468441	0.267225	0.022815	-8.242383e-02	-2.880216e-01	4.786616e-01	-1.197168e-01	-1.005243e-01	-8.595348e-02
ESPERANZA_VIDA	5.404314e-01	-2.618461e-02	0.296574	3.333616e-02	2.290186e-02	1.638198e-02	3.853576e-01	-3.671492e-01	0.356259	-4.780950e-02	...	1.000000	-0.398442	0.356259	0.289088	-2.800397e-01	-1.889344e-01	3.179217e-01	1.527561e-01	-4.205802e-01	-2.740467e-01
PARO_REGISTRADO	-8.745679e-02	-2.330310e-02	-0.575752	-3.125479e-01	1.741884e-02	7.102130e-03	-7.326120e-01	7.639814e-01	-0.382603	-1.765983e-01	...	-0.398442	1.000000	-0.382603	-0.561874	7.829296e-02	6.973639e-02	-1.085155e-01	4.514166e-02	-2.049480e-02	-9.187782e-03
PRECIO_ALQUILER_M2	5.038695e-01	3.452395e-02	0.886857	-2.166678e-01	-2.474903e-01	-1.721447e-01	6.484516e-01	-6.187017e-01	1.000000	3.298499e-01	...	0.356259	-0.382603	1.000000	0.884634	-2.509996e-02	-5.099449e-01	6.190773e-01	3.582100e-02	-1.399351e-01	2.921590e-02
PRECIO_VENTA_M2	1.489522e-01	3.179538e-02	0.997552	-1.413932e-01	-1.360324e-01	-6.074347e-02	8.344983e-01	-8.110321e-01	0.884634	2.288898e-01	...	0.289088	-0.561874	0.884634	1.000000	9.865250e-02	-3.376590e-01	3.809595e-01	2.289554e-02	7.200647e-02	1.076956e-01
VIVIENDAS_COMPRAVENTA	-4.425970e-01	-2.397014e-01	0.100885	-2.359731e-02	4.176848e-04	2.400787e-03	-1.189590e-15	3.736656e-03	-0.025100	2.894284e-01	...	-0.280040	0.078293	-0.025100	0.098652	1.000000e+00	-1.977456e-01	1.907372e-02	-3.082304e-02	5.676465e-01	3.783199e-01
EJECUCIONES_HIPOTECARIAS	-8.079882e-01	-5.474165e-02	-0.345205	2.388537e-15	-6.905401e-16	-6.381115e-16	2.424448e-16	1.797143e-02	-0.509945	-3.210169e-01	...	-0.188934	0.069736	-0.509945	-0.337659	-1.977456e-01	1.000000e+00	-7.756671e-01	-5.628451e-02	3.007214e-01	5.313357e-02
IPV_VIVIENDA_NUEVA	6.981091e-01	-2.324892e-02	0.396315	-1.301054e-03	4.217373e-04	2.500641e-04	-4.551009e-15	-4.331027e-02	0.619077	4.373884e-01	...	0.317922	-0.108516	0.619077	0.380959	1.907372e-02	-7.756671e-01	1.000000e+00	1.588828e-01	-1.827471e-01	3.133672e-02
TRANSACCIONES_SUELO	2.013491e-01	5.388347e-02	0.020901	-4.662823e-03	1.067329e-03	8.040977e-04	5.107696e-18	3.949819e-02	0.035821	-2.619913e-01	...	0.152756	0.045142	0.035821	0.022896	-3.082304e-02	-5.628451e-02	1.588828e-01	1.000000e+00	-1.560270e-01	3.427101e-01
PRECIO_MEDIO_M2_CCMM	-7.641461e-01	2.862622e-02	0.050044	-3.911994e-02	7.075054e-04	3.854647e-03	1.272004e-15	4.835734e-03	-0.139935	4.498442e-01	...	-0.420580	-0.020495	-0.139935	0.072006	5.676465e-01	3.007214e-01	-1.827471e-01	-1.560270e-01	1.000000e+00	6.236637e-01
VALOR_TRANSACCIONES_SUELO	-4.280697e-01	3.042659e-02	0.082754	-4.488555e-02	9.462774e-05	3.421010e-03	-2.772947e-16	1.997080e-02	0.029216	3.424542e-01	...	-0.274047	-0.009188	0.029216	0.107696	3.783199e-01	5.313357e-02	3.133672e-02	3.427101e-01	6.236637e-01	1.000000e+00

	AÑO	MES_NUM	PRECIO M2	LONGITUD	SHAPE_LENG	SHAPE_AREA	RANKING	VULNERABILIDAD	PRECIO_M2_DIST	EURIBOR	...	ESPERANZA_VIDA	PARO_REGISTRADO	PRECIO_ALQUILER_M2	PRECIO_VENTA_M2	VIVIENDAS_COMPRAVENTA	EJECUCIONES_HIPOTECARIAS	IPV_VIVIENDA_NUEVA	TRANSACCIONES_SUELO	PRECIO_MEDIO_M2_CCMM	VALOR_TRANSACCIONES_SUELO
AÑO	1.000	-0.074	0.207	0.030	-0.001	-0.003	0.000	-0.045	0.504	-0.136	...	0.540	-0.087	0.504	0.149	-0.443	-0.808	0.698	0.201	-0.764	-0.428
MES_NUM	-0.074	1.000	-0.013	0.001	0.002	0.002	0.000	-0.000	0.035	0.018	...	-0.026	-0.023	0.035	0.032	-0.240	-0.055	-0.023	0.054	0.029	0.030
PRECIO M2	0.207	-0.013	1.000	-0.138	-0.137	-0.063	0.838	-0.815	0.887	0.250	...	0.297	-0.576	0.887	0.998	0.101	-0.345	0.396	0.021	0.050	0.083
LONGITUD	0.030	0.001	-0.138	1.000	-0.073	-0.149	0.015	-0.025	-0.217	-0.030	...	0.033	-0.313	-0.217	-0.141	-0.024	0.000	-0.001	-0.005	-0.039	-0.045
SHAPE_LENG	-0.001	0.002	-0.137	-0.073	1.000	0.965	0.083	-0.138	-0.247	0.002	...	0.023	0.017	-0.247	-0.136	0.000	-0.000	0.000	0.001	0.001	0.000
SHAPE_AREA	-0.003	0.002	-0.063	-0.149	0.965	1.000	0.118	-0.159	-0.172	0.004	...	0.016	0.007	-0.172	-0.061	0.002	-0.000	0.000	0.001	0.004	0.003
RANKING	0.000	0.000	0.838	0.015	0.083	0.118	1.000	-0.970	0.648	-0.000	...	0.385	-0.733	0.648	0.834	-0.000	0.000	-0.000	0.000	0.000	-0.000
VULNERABILIDAD	-0.045	-0.000	-0.815	-0.025	-0.138	-0.159	-0.970	1.000	-0.619	0.018	...	-0.367	0.764	-0.619	-0.811	0.004	0.018	-0.043	0.039	0.005	0.020
PRECIO_M2_DIST	0.504	0.035	0.887	-0.217	-0.247	-0.172	0.648	-0.619	1.000	0.330	...	0.356	-0.383	1.000	0.885	-0.025	-0.510	0.619	0.036	-0.140	0.029
EURIBOR	-0.136	0.018	0.250	-0.030	0.002	0.004	-0.000	0.018	0.330	1.000	...	-0.048	-0.177	0.330	0.229	0.289	-0.321	0.437	-0.262	0.450	0.342
TRANSACCIONES_CM	0.584	-0.231	0.250	-0.001	0.000	-0.000	-0.000	0.022	0.395	0.032	...	0.330	-0.044	0.395	0.217	0.258	-0.599	0.661	0.428	-0.231	0.108
INDICE_PRECIO	0.536	-0.007	0.415	-0.012	0.001	0.001	-0.000	-0.047	0.620	0.486	...	0.200	-0.129	0.620	0.403	0.156	-0.848	0.964	0.177	-0.003	0.192
TOTAL_HIPOTECAS	-0.209	-0.087	0.226	-0.036	0.001	0.003	-0.000	0.001	0.309	0.412	...	-0.206	-0.034	0.309	0.242	0.593	-0.529	0.350	0.166	0.522	0.610
CAPITAL_TOTAL_HIPOTECAS	-0.031	-0.055	0.276	-0.037	0.001	0.003	0.000	0.001	0.444	0.490	...	-0.122	-0.078	0.444	0.271	0.463	-0.671	0.508	0.247	0.401	0.591
POBLACION_ACTIVA	0.658	-0.033	0.387	0.011	-0.000	-0.001	-0.000	-0.033	0.553	0.431	...	0.364	-0.114	0.553	0.339	0.021	-0.619	0.889	-0.003	-0.155	-0.153
RENTA_MEDIA_HOGAR	0.197	0.000	0.818	-0.054	0.145	0.166	0.957	-0.917	0.624	0.053	...	0.472	-0.649	0.624	0.814	0.106	-0.148	0.196	0.043	-0.085	0.034
POBLACION	0.339	-0.003	0.033	-0.387	0.168	0.177	-0.319	0.331	0.267	0.388	...	0.181	0.468	0.267	0.023	-0.082	-0.288	0.479	-0.120	-0.101	-0.086
ESPERANZA_VIDA	0.540	-0.026	0.297	0.033	0.023	0.016	0.385	-0.367	0.356	-0.048	...	1.000	-0.398	0.356	0.289	-0.280	-0.189	0.318	0.153	-0.421	-0.274
PARO_REGISTRADO	-0.087	-0.023	-0.576	-0.313	0.017	0.007	-0.733	0.764	-0.383	-0.177	...	-0.398	1.000	-0.383	-0.562	0.078	0.070	-0.109	0.045	-0.020	-0.009
PRECIO_ALQUILER_M2	0.504	0.035	0.887	-0.217	-0.247	-0.172	0.648	-0.619	1.000	0.330	...	0.356	-0.383	1.000	0.885	-0.025	-0.510	0.619	0.036	-0.140	0.029
PRECIO_VENTA_M2	0.149	0.032	0.998	-0.141	-0.136	-0.061	0.834	-0.811	0.885	0.229	...	0.289	-0.562	0.885	1.000	0.099	-0.338	0.381	0.023	0.072	0.108
VIVIENDAS_COMPRAVENTA	-0.443	-0.240	0.101	-0.024	0.000	0.002	-0.000	0.004	-0.025	0.289	...	-0.280	0.078	-0.025	0.099	1.000	-0.198	0.019	-0.031	0.568	0.378
EJECUCIONES_HIPOTECARIAS	-0.808	-0.055	-0.345	0.000	-0.000	-0.000	0.000	0.018	-0.510	-0.321	...	-0.189	0.070	-0.510	-0.338	-0.198	1.000	-0.776	-0.056	0.301	0.053
IPV_VIVIENDA_NUEVA	0.698	-0.023	0.396	-0.001	0.000	0.000	-0.000	-0.043	0.619	0.437	...	0.318	-0.109	0.619	0.381	0.019	-0.776	1.000	0.159	-0.183	0.031
TRANSACCIONES_SUELO	0.201	0.054	0.021	-0.005	0.001	0.001	0.000	0.039	0.036	-0.262	...	0.153	0.045	0.036	0.023	-0.031	-0.056	0.159	1.000	-0.156	0.343
PRECIO_MEDIO_M2_CCMM	-0.764	0.029	0.050	-0.039	0.001	0.004	0.000	0.005	-0.140	0.450	...	-0.421	-0.020	-0.140	0.072	0.568	0.301	-0.183	-0.156	1.000	0.624
VALOR_TRANSACCIONES_SUELO	-0.428	0.030	0.083	-0.045	0.000	0.003	-0.000	0.020	0.029	0.342	...	-0.274	-0.009	0.029	0.108	0.378	0.053	0.031	0.343	0.624	1.000

	AÑO	MES_NUM	PRECIO M2	VARIACIÓN ANUAL	DISTRITO	LATITUD	LONGITUD	SHAPE_AREA	EURIBOR	TRANSACCIONES_CM	INDICE_PRECIO	TOTAL_HIPOTECAS	POBLACION_ACTIVA	POBLACION	ESPERANZA_VIDA	VIVIENDAS_COMPRAVENTA	TRANSACCIONES_SUELO	PRECIO_MEDIO_M2_CCMM
0	2025.0	6.0	5729.0	0.181	Arganzuela	40.40021	-3.69618	6462175.91405	0.02081	6944.0	<NA>	<NA>	3881.9	<NA>	<NA>	<NA>	<NA>	<NA>
1	2025.0	5.0	5669.0	0.192	Arganzuela	40.40021	-3.69618	6462175.91405	0.0208	7020.0	<NA>	7598.0	3881.9	<NA>	<NA>	1559.0	<NA>	<NA>
2	2025.0	4.0	5472.0	0.182	Arganzuela	40.40021	-3.69618	6462175.91405	0.02143	6604.0	<NA>	8425.0	3881.9	<NA>	<NA>	1499.0	<NA>	<NA>
3	2025.0	3.0	5341.0	0.163	Arganzuela	40.40021	-3.69618	6462175.91405	0.02398	7380.0	188.43	7973.0	3868.2	<NA>	<NA>	1843.0	436.0	306.36
4	2025.0	2.0	5310.0	0.162	Arganzuela	40.40021	-3.69618	6462175.91405	0.02402	6963.0	188.43	6701.0	3868.2	<NA>	<NA>	1786.0	436.0	306.36

	AÑO	MES_NUM	PRECIO M2	VARIACIÓN ANUAL	DISTRITO	LATITUD	LONGITUD	SHAPE_AREA	EURIBOR	TRANSACCIONES_CM	INDICE_PRECIO	TOTAL_HIPOTECAS	POBLACION_ACTIVA	POBLACION	ESPERANZA_VIDA	VIVIENDAS_COMPRAVENTA	TRANSACCIONES_SUELO	PRECIO_MEDIO_M2_CCMM
0	2025.0	6.0	5729.0	0.181	Arganzuela	40.40021	-3.69618	6462175.91405	0.02081	6944.0	<NA>	<NA>	3881.9	<NA>	<NA>	<NA>	<NA>	<NA>
1	2025.0	5.0	5669.0	0.192	Arganzuela	40.40021	-3.69618	6462175.91405	0.0208	7020.0	<NA>	7598.0	3881.9	<NA>	<NA>	1559.0	<NA>	<NA>
2	2025.0	4.0	5472.0	0.182	Arganzuela	40.40021	-3.69618	6462175.91405	0.02143	6604.0	<NA>	8425.0	3881.9	<NA>	<NA>	1499.0	<NA>	<NA>
3	2025.0	3.0	5341.0	0.163	Arganzuela	40.40021	-3.69618	6462175.91405	0.02398	7380.0	188.43	7973.0	3868.2	<NA>	<NA>	1843.0	436.0	306.36
4	2025.0	2.0	5310.0	0.162	Arganzuela	40.40021	-3.69618	6462175.91405	0.02402	6963.0	188.43	6701.0	3868.2	<NA>	<NA>	1786.0	436.0	306.36

Análisis Exploratorio de Datos (EDA)¶

Importar librerías¶

Cargar los datos¶

Definición de funciones a utilizar¶

Información general de los data sets¶

Análisis valores nulos por variable¶

Correlación entre variables numéricas - evitar multicolinealidad¶

Matriz de correlación¶

Análisis correlaciones peligrosas (|r| ≥ 0.8) para evitar multicolinealidad¶

Diagrama de dispersión PRECIO M2 vs las demás variables¶

Histogramas¶

Valores atípicos¶

Outliers por distrito¶

Preparar dataset para pasar por pycaret:¶

Creación lag¶

Preprocesado¶

Winsorizar valores atípicos¶

Recolocar columnas¶

Preparar dataset de predicción (01/07/25 - 30/06/26)¶

Sin aplicar OHE¶

Eliminar columnas que no son de Lag¶

Dataset train/test¶

Crear Lags en variables explicativas¶

Eliminación nulos generados¶

One Hot Encoding a la variable DISTRITO¶

	AÑO	MES_NUM	AÑO_MES	FECHA	PRECIO M2	VARIACIÓN MENSUAL	VARIACIÓN TRIMESTRAL	VARIACIÓN ANUAL	DISTRITO	LATITUD	...	ESPERANZA_VIDA	PARO_REGISTRADO	PRECIO_ALQUILER_M2	PRECIO_VENTA_M2	VIVIENDAS_COMPRAVENTA	EJECUCIONES_HIPOTECARIAS	IPV_VIVIENDA_NUEVA	TRANSACCIONES_SUELO	PRECIO_MEDIO_M2_CCMM	VALOR_TRANSACCIONES_SUELO
0	2025	6	2025-06	2025-06-01	5729	0.01	0.073	0.181	Arganzuela	40.40021	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1	2025	5	2025-05	2025-05-01	5669	0.036	0.068	0.192	Arganzuela	40.40021	...	NaN	NaN	NaN	NaN	1559.0	NaN	NaN	NaN	NaN	NaN
2	2025	4	2025-04	2025-04-01	5472	0.024	0.043	0.182	Arganzuela	40.40021	...	NaN	NaN	NaN	NaN	1499.0	NaN	NaN	NaN	NaN	NaN
3	2025	3	2025-03	2025-03-01	5341	0.006	0.036	0.163	Arganzuela	40.40021	...	NaN	NaN	NaN	NaN	1843.0	249.0	210.738	436.0	306.36	96670.26
4	2025	2	2025-02	2025-02-01	5310	0.012	0.049	0.162	Arganzuela	40.40021	...	NaN	NaN	NaN	NaN	1786.0	249.0	210.738	436.0	306.36	96670.26

	columna	n_nulos	%_nulos
0	RANKING	3662	82.89
1	VULNERABILIDAD	3662	82.89
2	PARO_REGISTRADO	2864	64.83
3	RENTA_MEDIA_HOGAR	2498	56.54
4	EJECUCIONES_HIPOTECARIAS	1583	35.83
5	PRECIO_ALQUILER_M2	629	14.24
6	PRECIO_M2_DIST	629	14.24
7	PRECIO_VENTA_M2	250	5.66
8	ESPERANZA_VIDA	124	2.81
9	POBLACION	124	2.81
10	IPV_VIVIENDA_NUEVA	61	1.38
11	VALOR_TRANSACCIONES_SUELO	61	1.38
12	INDICE_PRECIO	61	1.38
13	PRECIO_MEDIO_M2_CCMM	61	1.38
14	TRANSACCIONES_SUELO	61	1.38
15	CAPITAL_TOTAL_HIPOTECAS	20	0.45
16	VIVIENDAS_COMPRAVENTA	20	0.45
17	TOTAL_HIPOTECAS	20	0.45
18	MES_NUM	0	0.00
19	AÑO	0	0.00
20	TRANSACCIONES_CM	0	0.00
21	SHAPE_AREA	0	0.00
22	LONGITUD	0	0.00
23	EURIBOR	0	0.00
24	SHAPE_LENG	0	0.00
25	LATITUD	0	0.00
26	VARIACIÓN MENSUAL	0	0.00
27	PRECIO M2	0	0.00
28	FECHA	0	0.00
29	VARIACIÓN TRIMESTRAL	0	0.00
30	AÑO_MES	0	0.00
31	VARIACIÓN ANUAL	0	0.00
32	DISTRITO	0	0.00
33	POBLACION_ACTIVA	0	0.00

	columna	n_nulos	%_nulos
0	VARIACIÓN ANUAL	255	5.77
1	POBLACION	124	2.81
2	ESPERANZA_VIDA	124	2.81
3	PRECIO_MEDIO_M2_CCMM	61	1.38
4	INDICE_PRECIO	61	1.38
5	TRANSACCIONES_SUELO	61	1.38
6	TOTAL_HIPOTECAS	20	0.45
7	VIVIENDAS_COMPRAVENTA	20	0.45
8	MES_NUM	0	0.00
9	AÑO	0	0.00
10	TRANSACCIONES_CM	0	0.00
11	EURIBOR	0	0.00
12	SHAPE_AREA	0	0.00
13	LONGITUD	0	0.00
14	LATITUD	0	0.00
15	DISTRITO	0	0.00
16	PRECIO M2	0	0.00
17	POBLACION_ACTIVA	0	0.00

	AÑO	MES_NUM	DISTRITO	LATITUD	LONGITUD	SHAPE_AREA	EURIBOR	VARIACIÓN ANUAL	PRECIO M2	TRANSACCIONES_CM	...	PRECIO M2_lag12	TRANSACCIONES_CM_lag12	INDICE_PRECIO_lag12	TOTAL_HIPOTECAS_lag12	POBLACION_ACTIVA_lag12	POBLACION_lag12	ESPERANZA_VIDA_lag12	VIVIENDAS_COMPRAVENTA_lag12	TRANSACCIONES_SUELO_lag12	PRECIO_MEDIO_M2_CCMM_lag12
211	2007	11	Arganzuela	40.40021	-3.69618	6462175.91405	0.04607	<NA>	4000.0	6058.0	...	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>
210	2007	12	Arganzuela	40.40021	-3.69618	6462175.91405	0.04793	<NA>	4000.0	4577.0	...	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>
209	2008	1	Arganzuela	40.40021	-3.69618	6462175.91405	0.04498	<NA>	4000.0	6123.0	...	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>
208	2008	2	Arganzuela	40.40021	-3.69618	6462175.91405	0.04349	<NA>	3824.0	5964.0	...	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>
207	2008	3	Arganzuela	40.40021	-3.69618	6462175.91405	0.0459	<NA>	4000.0	5525.0	...	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>	<NA>

	columna	n_nulos	%_nulos
0	VARIACIÓN ANUAL_lag12	252	5.7
1	PRECIO M2_lag12	252	5.7
2	TRANSACCIONES_CM_lag12	252	5.7
3	ESPERANZA_VIDA_lag12	252	5.7
4	VIVIENDAS_COMPRAVENTA_lag12	252	5.7
5	TRANSACCIONES_SUELO_lag12	252	5.7
6	EURIBOR_lag12	252	5.7
7	POBLACION_lag12	252	5.7
8	POBLACION_ACTIVA_lag12	252	5.7
9	TOTAL_HIPOTECAS_lag12	252	5.7
10	INDICE_PRECIO_lag12	252	5.7
11	PRECIO_MEDIO_M2_CCMM_lag12	252	5.7
12	DISTRITO	0	0.0
13	AÑO	0	0.0
14	MES_NUM	0	0.0
15	LATITUD	0	0.0
16	LONGITUD	0	0.0
17	SHAPE_AREA	0	0.0
18	PRECIO M2	0	0.0

	AÑO	MES_NUM	LATITUD	LONGITUD	SHAPE_AREA	PRECIO M2	EURIBOR_lag12	VARIACIÓN ANUAL_lag12	PRECIO M2_lag12	TRANSACCIONES_CM_lag12	...	DIST_Moratalaz	DIST_Puente De Vallecas	DIST_Retiro	DIST_Salamanca	DIST_San Blas-Canillejas	DIST_Tetuan	DIST_Usera	DIST_Vicalvaro	DIST_Villa De Vallecas	DIST_Villaverde
199	2008.0	11.0	40.40021	-3.69618	6462175.91405	3714.0	0.04498	0.0125	4000.0	6058.0	...	False	False	False	False	False	False	False	False	False	False
198	2008.0	12.0	40.40021	-3.69618	6462175.91405	3667.0	0.04498	0.0125	4000.0	4577.0	...	False	False	False	False	False	False	False	False	False	False
197	2009.0	1.0	40.40021	-3.69618	6462175.91405	3782.0	0.04498	0.0125	4000.0	6123.0	...	False	False	False	False	False	False	False	False	False	False
196	2009.0	2.0	40.40021	-3.69618	6462175.91405	3722.0	0.04349	0.0125	3824.0	5964.0	...	False	False	False	False	False	False	False	False	False	False
195	2009.0	3.0	40.40021	-3.69618	6462175.91405	3722.0	0.04498	0.0125	4000.0	5525.0	...	False	False	False	False	False	False	False	False	False	False
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4214	2024.0	12.0	40.374	-3.7	20194322.8326	2252.0	0.03679	0.063	1963.0	4048.0	...	False	False	False	False	False	False	False	False	False	True
4213	2025.0	1.0	40.374	-3.7	20194322.8326	2207.0	0.03609	0.068	1982.0	6209.0	...	False	False	False	False	False	False	False	False	False	True
4212	2025.0	2.0	40.374	-3.7	20194322.8326	2254.0	0.03671	0.058	1977.0	6336.0	...	False	False	False	False	False	False	False	False	False	True
4211	2025.0	3.0	40.374	-3.7	20194322.8326	2294.0	0.03716	0.067	1988.0	5924.0	...	False	False	False	False	False	False	False	False	False	True
4210	2025.0	4.0	40.374	-3.7	20194322.8326	2362.0	0.03702	0.085	2046.0	5805.0	...	False	False	False	False	False	False	False	False	False	True

	AÑO	MES_NUM	DISTRITO	LATITUD	LONGITUD	SHAPE_AREA	EURIBOR	VARIACIÓN ANUAL	PRECIO M2	TRANSACCIONES_CM	INDICE_PRECIO	TOTAL_HIPOTECAS	POBLACION_ACTIVA	POBLACION	ESPERANZA_VIDA	VIVIENDAS_COMPRAVENTA	TRANSACCIONES_SUELO	PRECIO_MEDIO_M2_CCMM
0	2025.0	6.0	Arganzuela	40.40021	-3.69618	6.462176e+06	0.02081	0.1650	5729.0	6944.0	134.735	6964.0	3784.3	154118.0	84.95	1494.0	363.0	5.745180
1	2025.0	5.0	Arganzuela	40.40021	-3.69618	6.462176e+06	0.02080	0.1650	5669.0	7020.0	134.735	7598.0	3784.3	154118.0	84.95	1559.0	363.0	5.745180
2	2025.0	4.0	Arganzuela	40.40021	-3.69618	6.462176e+06	0.02143	0.1650	5472.0	6604.0	134.735	8425.0	3784.3	154118.0	84.95	1499.0	363.0	5.745180
3	2025.0	3.0	Arganzuela	40.40021	-3.69618	6.462176e+06	0.02398	0.1630	5341.0	7380.0	174.540	7973.0	3784.3	154118.0	84.95	1843.0	436.0	5.728020
4	2025.0	2.0	Arganzuela	40.40021	-3.69618	6.462176e+06	0.02402	0.1620	5310.0	6963.0	174.540	6701.0	3784.3	154118.0	84.95	1786.0	436.0	5.728020
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4413	2008.0	5.0	Villaverde	40.37400	-3.70000	2.019432e+07	0.04498	0.0075	2745.0	5107.0	153.000	12744.0	3425.8	149732.0	82.20	2237.0	393.0	6.252828
4414	2008.0	4.0	Villaverde	40.37400	-3.70000	2.019432e+07	0.04498	0.0075	2806.0	6089.0	153.000	12744.0	3425.8	149767.0	82.20	2669.0	393.0	6.252828
4415	2008.0	3.0	Villaverde	40.37400	-3.70000	2.019432e+07	0.04498	0.0075	2899.0	5525.0	152.900	12024.0	3375.6	150043.0	82.20	2507.0	458.0	6.271159
4416	2008.0	2.0	Villaverde	40.37400	-3.70000	2.019432e+07	0.04349	0.0075	2900.0	5964.0	152.900	12744.0	3375.6	149306.0	82.20	2347.0	458.0	6.271159
4417	2008.0	1.0	Villaverde	40.37400	-3.70000	2.019432e+07	0.04498	0.0075	2801.0	6123.0	152.900	12744.0	3375.6	149067.0	82.20	2278.0	458.0	6.271159